如何用Python正则表达式从多格式OCR文本中提取日期及报错解决

嘿，我来帮你搞定这个问题！你遇到的AttributeError根源有两个：一是你的正则表达式只覆盖了dd-mm-yyyy这一种日期格式，其他你提到的格式（比如带月份名称、斜杠分隔的）都匹配不到，导致re.search返回None，调用.group()自然会报错；二是你代码里写了re.search(..., 'text')，这里的'text'是固定字符串，而不是你DataFrame里的df['Text']列内容。

下面是分步解决的方案：

1. 编写能覆盖所有目标日期格式的正则表达式 #

针对你列出的所有日期格式：07-June-2018、08/3/17、30-04-2018、03/june/19、sep 29,2018、24may'19，我们可以写一个通用的正则来匹配它们：

date_pattern = r"""
    \b(?:
        # 格式1: dd-Month-yyyy / dd-month-yyyy
        \d{1,2}-(?:Jan(?:uary)?|Feb(?:ruary)?|Mar(?:ch)?|Apr(?:il)?|May|Jun(?:e)?|Jul(?:y)?|Aug(?:ust)?|Sep(?:tember)?|Oct(?:ober)?|Nov(?:ember)?|Dec(?:ember)?)-\d{4}|
        # 格式2: dd/mm/yy / dd/mm/yyyy / d/m/yy / d/m/yyyy
        \d{1,2}/\d{1,2}/\d{2,4}|
        # 格式3: dd-mm-yyyy / d-mm-yyyy
        \d{1,2}-\d{1,2}-\d{4}|
        # 格式4: month dd,yyyy / Month dd,yyyy
        (?:Jan(?:uary)?|Feb(?:ruary)?|Mar(?:ch)?|Apr(?:il)?|May|Jun(?:e)?|Jul(?:y)?|Aug(?:ust)?|Sep(?:tember)?|Oct(?:ober)?|Nov(?:ember)?|Dec(?:ember)?)\s\d{1,2},\d{4}|
        # 格式5: ddmonth'yy / ddMonth'yy
        \d{1,2}(?:Jan(?:uary)?|Feb(?:ruary)?|Mar(?:ch)?|Apr(?:il)?|May|Jun(?:e)?|Jul(?:y)?|Aug(?:ust)?|Sep(?:tember)?|Oct(?:ober)?|Nov(?:ember)?|Dec(?:ember)?)'\d{2}
    )\b
"""

这个正则用非捕获分组(?:...)整合所有格式，同时支持月份的全称和缩写，后续会通过参数忽略大小写，让匹配更灵活。

2. 修复代码错误并批量处理DataFrame #

我们可以用pandas的apply方法逐行处理Text列，同时添加判断避免None的情况：

import re
import pandas as pd

# 读取你的OCR文本CSV文件
df = pd.read_csv("你的OCR文本文件.csv")

# 定义日期匹配函数
def extract_date(text):
    date_pattern = r"""
        \b(?:
            \d{1,2}-(?:Jan(?:uary)?|Feb(?:ruary)?|Mar(?:ch)?|Apr(?:il)?|May|Jun(?:e)?|Jul(?:y)?|Aug(?:ust)?|Sep(?:tember)?|Oct(?:ober)?|Nov(?:ember)?|Dec(?:ember)?)-\d{4}|
            \d{1,2}/\d{1,2}/\d{2,4}|
            \d{1,2}-\d{1,2}-\d{4}|
            (?:Jan(?:uary)?|Feb(?:ruary)?|Mar(?:ch)?|Apr(?:il)?|May|Jun(?:e)?|Jul(?:y)?|Aug(?:ust)?|Sep(?:tember)?|Oct(?:ober)?|Nov(?:ember)?|Dec(?:ember)?)\s\d{1,2},\d{4}|
            \d{1,2}(?:Jan(?:uary)?|Feb(?:ruary)?|Mar(?:ch)?|Apr(?:il)?|May|Jun(?:e)?|Jul(?:y)?|Aug(?:ust)?|Sep(?:tember)?|Oct(?:ober)?|Nov(?:ember)?|Dec(?:ember)?)'\d{2}
        )\b
    """
    match = re.search(date_pattern, text, flags=re.IGNORECASE | re.VERBOSE)
    if match:
        return match.group(0)  # 返回匹配到的完整日期字符串
    else:
        return None  # 没有匹配到返回None

# 对Text列应用函数，生成新的日期提取列
df['Extracted_Date'] = df['Text'].apply(extract_date)

# 查看处理结果
print(df[['Text', 'Extracted_Date']].head())

3. 额外优化：统一日期格式（可选） #

如果你需要把提取到的日期统一转换成标准格式（比如yyyy-mm-dd），可以用dateutil库的解析工具：

先安装依赖库：

pip install python-dateutil

然后修改提取函数：

from dateutil import parser

def extract_and_standardize_date(text):
    date_pattern = r"""
        \b(?:
            \d{1,2}-(?:Jan(?:uary)?|Feb(?:ruary)?|Mar(?:ch)?|Apr(?:il)?|May|Jun(?:e)?|Jul(?:y)?|Aug(?:ust)?|Sep(?:tember)?|Oct(?:ober)?|Nov(?:ember)?|Dec(?:ember)?)-\d{4}|
            \d{1,2}/\d{1,2}/\d{2,4}|
            \d{1,2}-\d{1,2}-\d{4}|
            (?:Jan(?:uary)?|Feb(?:ruary)?|Mar(?:ch)?|Apr(?:il)?|May|Jun(?:e)?|Jul(?:y)?|Aug(?:ust)?|Sep(?:tember)?|Oct(?:ober)?|Nov(?:ember)?|Dec(?:ember)?)\s\d{1,2},\d{4}|
            \d{1,2}(?:Jan(?:uary)?|Feb(?:ruary)?|Mar(?:ch)?|Apr(?:il)?|May|Jun(?:e)?|Jul(?:y)?|Aug(?:ust)?|Sep(?:tember)?|Oct(?:ober)?|Nov(?:ember)?|Dec(?:ember)?)'\d{2}
        )\b
    """
    match = re.search(date_pattern, text, flags=re.IGNORECASE | re.VERBOSE)
    if match:
        date_str = match.group(0)
        try:
            # 解析日期并转换成标准格式
            return parser.parse(date_str).strftime('%Y-%m-%d')
        except:
            return date_str  # 解析失败返回原字符串
    else:
        return None

这样就能把各种零散格式的日期统一成标准格式，方便后续的数据分析或存储。

内容的提问来源于stack exchange，提问作者marton mar suri