当数据有点乱时使用 datetime.strptime ：额外的空格，一月或一月

问题描述

目前我正在处理的文本是具有某种标准格式的日期，但是数据不是非常干净。

例如，文本可以采用以下格式：

Jan. 1,2021 (dot after Jan)
Jan,1 2021 (comma after Jan)
January,1 2020 (Full month with comma)
Jan,1 2020 (two spaces after Jan,instead of one)

我不太确定如何处理这个问题。 我想将这些字符串转换为 2021-01-01 格式。

我的计划是先转换为日期时间对象，然后再转换回字符串。

然而，当使用 strptime 时，模式似乎需要是刚性的， 并且不允许使用正则表达式之类的模式。

print(datetime.datetime.strptime(timestamp,'%b %d,%Y'))

而不是像 '%b|%B\s[.,]?

有人对如何将我的文本转换为年-月-日格式有任何建议吗？

解决方法

您可以尝试使用 dateutil 库，（它是下载次数最多的 pypi 包之一）

>>> from dateutil import parser
>>>
>>> print(parser.parse("Jan. 1,2021"))
2021-01-01 00:00:00
>>>
>>> print(parser.parse("Jan,1 2021"))
2021-01-01 00:00:00
>>>
>>> print(parser.parse("January,1 2020"))
2020-01-01 00:00:00
>>>
>>> print(parser.parse("Jan,1 2020"))
2020-01-01 00:00:00

,

这是一个适用于您提供的案例的正则表达式。

import re

pattern = """(?ix)   # ignore case,verbose
   (?P<month>
        jan(uary)?
       |feb(uary)?
       |mar(ch)?
       |apr(il)?
       |may
       |jun(e)?
       |jul(y)?
       |aug(ust)?
       |sep(tember)?
       |oct(ober)?
       |nov(ember)?
       |dec(ember)?
   )
   \D+
   (?P<day>\d(\d)?)
   \D+
   (?P<year>\d\d(\d\d)?)
"""

regex = re.compile(pattern)

testcases = """
Jan. 1,2021 (dot after Jan)
Jan,1 2021 (comma after Jan)
January,1 2020 (Full month with comma)
Jan,1 2020 (two spaces after Jan,instead of one)
""".strip().splitlines()

for test in testcases:
    print(test,end=' => ')
    m = regex.search(test)
    if m:
        print(m.groupdict())
    else:
        print(m)

输出：

Jan. 1,2021 (dot after Jan) => {'month': 'Jan','day': '1','year': '2021'}
Jan,1 2021 (comma after Jan) => {'month': 'Jan','year': '2021'}
January,1 2020 (Full month with comma) => {'month': 'January','year': '2020'}
Jan,instead of one) => {'month': 'Jan','year': '2020'}

也就是说，使用 foxyblue 建议的 dateutil 库可能更健壮。

,

如果你不使用图书馆，你可能会有点粗鲁：

def normalise(date):
    month_name,day,year = date.replace(',','').split()
    short_month_name = month_name[:3]
    return f'{short_month_name} {day} {year}'

用法：

>>> normalise('January,1 2020')
'Jan 1 2020'

等

然后就可以正常用datetime解析了。