如何使用正则提取阿拉伯语字符串中的有效日期（格式dd-month-yyyy）

实现方案 #

核心思路 #

该阿拉伯语日期提取需求可通过两步正则匹配实现：

• 第一步先过滤字符串内所有HTML标签，得到纯文本日期内容
• 第二步用带捕获组的正则提取目标字段，自动过滤星期、斜杠后的冗余月份内容

正则说明 #

核心匹配正则为：\b(\d{1,2})\s+([^\/]+)\/.*?\s+(\d{4})\b
各部分作用：

• (\d{1,2})：捕获1~2位的日期数字（对应dd字段）
• \s+：匹配日期和月份之间的空白字符
• ([^\/]+)：捕获斜杠之前的所有内容（对应需要保留的阿拉伯语月份名）
• \/.*?\s+：匹配斜杠及后续冗余月份内容，直到遇到年份前的空白字符
• (\d{4})：捕获4位年份数字（对应yyyy字段）

可直接运行的Python示例代码 #

import re

def extract_arabic_date(raw_html):
    # 移除所有HTML标签
    pure_text = re.sub(r'<[^>]+>', '', raw_html)
    # 匹配日期捕获组
    date_match = re.search(r'\b(\d{1,2})\s+([^\/]+)\/.*?\s+(\d{4})\b', pure_text)
    if date_match:
        day, month, year = date_match.groups()
        # 拼接为要求的dd-month-yyyy格式
        return f"{day}-{month.strip()}-{year}"
    # 匹配失败返回空值，可根据需求调整
    return None

# 测试示例
test_samples = [
    '<p>السبت 18 سبتمبر/أيلول 2021</p>',
    '<p class="schedule__date sub-heading">الثلاثاء 21 سبتمبر/أيلول 2021</p>',
    '<p class="schedule__date sub-heading">الأربعاء 22 سبتمبر/أيلول 2021</p>'
]

for sample in test_samples:
    print(extract_arabic_date(sample))

输出结果 #

18-سبتمبر-2021
21-سبتمبر-2021
22-سبتمبر-2021

扩展说明 #

如果需要把阿拉伯语月份转换为英文/中文月份，只需要额外添加月份映射表即可，示例：

month_mapping = {
    "سبتمبر": "September",
    # 按需补全其余11个月份的对应关系
}
# 拼接格式时替换即可
return f"{day}-{month_mapping.get(month.strip(), month.strip())}-{year}"

内容的提问来源于stack exchange，提问作者Mohamad A Sallal