如何用Python提取法语文本文件中多种格式的日期？

处理这种多格式日期提取的问题，正则表达式是最直接的工具——毕竟你没法提前预知所有可能的格式，只能覆盖法语文本里最常见的几种场景。下面是我整理的一套方案，能覆盖你提到的所有示例格式，还能兼容更多常见变体：

步骤说明 #

• 先定义法语月份的完整名称和常用缩写（避免漏抓缩写形式的日期）
• 编写多个正则模式，分别匹配不同类型的日期
• 合并模式并提取所有匹配结果，最后去重（避免重复提取同一日期）

完整代码实现 #

import re

def extract_french_dates(text):
    # 定义法语月份的全称和常用缩写（保留带重音的字符）
    french_months = r"(Janvier|Février|Mars|Avril|Mai|Juin|Juillet|Août|Septembre|Octobre|Novembre|Décembre|Jan|Fév|Mar|Avr|Mai|Jun|Jul|Aou|Sep|Oct|Nov|Déc)"
    
    # 模式1: 美式数字日期（MM/DD/YYYY 或 MM/DD/YY），支持1位/2位数字
    pattern_us_dates = r"\b(0?[1-9]|1[0-2])/(0?[1-9]|[12][0-9]|3[01])/(19\d{2}|20\d{2}|\d{2})\b"
    
    # 模式2: 法语月份 + 4位年份（比如 Janvier 2005）
    pattern_french_month_year = rf"\b{french_months}\s(19\d{2}|20\d{2})\b"
    
    # 模式3: 单独的4位年份（限定19xx/20xx，避免误抓随机4位数）
    pattern_standalone_year = r"\b(19\d{2}|20\d{2})\b"
    
    # 合并所有模式，用|分隔实现多匹配
    combined_pattern = f"{pattern_us_dates}|{pattern_french_month_year}|{pattern_standalone_year}"
    
    # 提取所有匹配结果，忽略大小写兼容不同写法（比如janvier或JANVIER）
    matches = re.findall(combined_pattern, text, flags=re.IGNORECASE)
    
    # 处理匹配结果：从分组元组中提取非空项，并用集合去重
    unique_dates = set()
    for match_tuple in matches:
        for item in match_tuple:
            if item:
                unique_dates.add(item.strip())
    
    # 返回排序后的日期列表
    return sorted(unique_dates)

# 测试示例文本
sample_text = """
Exemples de dates: 04/30/2009, 06/20/98, 8/2/69, 1/25/2011, 9/3/2002, Janvier 2005, 1974, Fév 2010, Août 1999
"""

extracted_dates = extract_french_dates(sample_text)
print("提取到的日期：")
for date in extracted_dates:
    print(date)

代码细节解释 #

• 法语月份覆盖：涵盖了所有月份的全称和常用缩写，同时通过re.IGNORECASE忽略大小写，确保不会漏抓février或FEVRIER这类变体。
• 数字日期校验：正则里限制了月份为1-12、日期为1-31，能过滤掉明显无效的数字组合（比如13/32/2020），同时支持2位和4位年份。
• 去重逻辑：用集合自动去重，避免同一日期在文本中多次出现时被重复提取。
• 扩展性：如果后续发现新格式（比如30 Avril 2005这种日+月+年的法语格式），只需新增对应的正则模式到combined_pattern即可。

额外优化建议 #

• 如果需要把提取到的日期统一转换成Python的datetime对象，可以用python-dateutil模块（先安装：pip install python-dateutil），它能自动识别多种格式，包括法语月份：

  from dateutil import parser
  for date_str in extracted_dates:
      try:
          dt = parser.parse(date_str, languages=['fr'])
          print(f"原始字符串: {date_str} -> 标准化日期: {dt.strftime('%Y-%m-%d')}")
      except:
          print(f"无法解析日期: {date_str}")
  

• 对于2位年份的数字日期（比如06/20/98），可以手动设置规则转成4位（比如默认把69及以上的年份归为19xx，68及以下归为20xx），避免解析歧义。

内容的提问来源于stack exchange，提问作者benkam