如何解析提取被HTML标签污染的任意格式日期

核心处理思路 #

• 第一步：预处理清除HTML标记

所有穿插的HTML标签属于无效干扰信息，直接通过正则全局匹配移除即可，不需要额外保留标签内容。处理时额外做空白符归一化，把多个连续空格、换行、制表符统一替换为单个空格，避免空格干扰后续日期解析。

import re

def clean_html(raw_text: str) -> str:
    # 移除所有HTML标签
    no_tag_text = re.sub(r'<[^>]+>', '', raw_text)
    # 归一化空白符
    return re.sub(r'\s+', ' ', no_tag_text).strip()

对示例输入<tag> Aug 22, <tag> 2021执行上述方法后，输出为Aug 22, 2021。

• 第二步：通用日期解析与格式化

不要手动编写正则匹配各类日期格式，直接使用成熟的第三方日期解析库即可，这类库内置了几十种常见日期格式的匹配规则，支持月名缩写/全写、不同分隔符、年月日不同排序等场景的自动识别。
以Python生态的dateutil库为例：

from dateutil import parser
from datetime import datetime

def parse_and_format_date(clean_text: str, target_format: str = "%d %B %Y") -> str:
    # 自动识别解析日期，可根据业务需求添加参数调整歧义场景的解析优先级
    # 比如添加dayfirst=True来优先解析为 日/月/年 格式
    date_obj = parser.parse(clean_text)
    return date_obj.strftime(target_format)

对上一步输出的Aug 22, 2021执行上述方法后，输出为22 August 2021，和示例要求完全匹配。

边界场景处理注意事项 #

• 如果清理后的文本内存在多个日期，可通过parser.parse的fuzzy_with_tokens参数提取所有匹配的日期片段，再根据业务规则筛选需要的目标日期
• 遇到存在歧义的日期格式（如05/10/2023），可通过dayfirst、yearfirst参数指定解析优先级，避免解析结果不符合预期
• 如果业务场景存在罕见的自定义日期格式，可给parser.parse传入dateutil.parser.parserinfo对象补充自定义的月名、周名匹配规则

内容的提问来源于stack exchange，提问作者matheus james