Datefinder.find_dates将任意数字识别为日期，strict=True参数不生效问题

• 方案1：根据业务场景过滤年份范围
  你处理的是2020年爆发的新冠疫情相关文本，合法日期的年份必然在2020年及之后，直接筛掉不符合年份范围的结果即可，90%以上的误匹配都可以通过这个规则清除。
• 方案2：过滤匹配到的原始字符串特征
  误匹配的结果对应的原始源字符串都是短数字（如98、14），合法的日期字符串必然包含月份缩写、/或-分隔符等特征，或者长度≥6位，可通过判断源字符串的格式过滤无效结果。
• 方案3：替换匹配工具或自定义正则
  如果上述规则仍无法满足需求，可以换用dateparser库调整识别精度，或直接编写正则匹配你场景下常见的英文日期格式（如月份缩写+年月日、斜杠分隔的数字日期）。

修改后的示例代码 #

import datefinder

# 业务场景合法日期范围：2020年1月1日之后
MIN_VALID_YEAR = 2020

with open("c:/users/Lnitz/documents/ige2.txt", encoding='utf-8') as file:
    for line in file:
        matches = datefinder.find_dates(line, source=True)
        for match in matches:
            date_obj, source_str = match
            # 过滤规则1：年份符合范围
            if date_obj.year < MIN_VALID_YEAR:
                continue
            # 过滤规则2：源字符串满足日期格式特征
            if len(source_str) < 6 and not any(c in source_str for c in ['/', '-', 'Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']):
                continue
            # 输出符合要求的结果
            print(match, 'xxx', line)

效果说明 #

上述代码会自动过滤掉1998、1878、1945这类不符合年份范围的结果，也会跳过单个数字的误匹配，保留Nov 19, 2020这类合法日期。如果需要更严格的匹配，可以调整过滤规则的阈值，不需要开启strict=True就能获得精准结果。

内容的提问来源于stack exchange，提问作者Lawrence Nitz