dateparser时间标准化包

这个文章 只是修改包的中文字典以更好地适应中文时间表达，具体项目地址见下方：

https://github.com/scrapinghub/dateparser

我用的版本是py3.6 dateparser.version=0.71 修改教程适用py3，py2因为语法问题dateparser曾经改版过大部分不适用，不过修改原理差不多。

安装包

pip3 install dateparser

使用举例

import dateparser
dateparser.parse('3天前')
#ountput > datetime.datetime(2019, 6, 15, 9, 17, 56, 264430)
dateparser.parse('2019年6月10日12时6分')
#ountput > datetime.datetime(2019, 6, 10, 12, 6)
dateparser.parse('2019-6-19 15:12:12')
#ountput > datetime.datetime(2019, 6, 19, 15, 12, 12)

适应"秒"

默认的中文字典没办法正确识别到秒位，比如：

dateparser.parse('2019年6月10日12时6分')
datetime.datetime(2019, 6, 10, 12, 6)
dateparser.parse('2019年6月10日12时6分5秒')
datetime.datetime(2019, 6, 18, 9, 39, 29, 571121)

字典里缺乏“年月日时分秒”这种表述规则，所以第二时间标准化出错了。
解决办法：

image.png
在源码包里找到
datepatser->data->date_translation_data->zh.py
image.png
可以看到这里是一些映射规则，在最后的"simplifications"中加一行值

{ "(\\d+)年(?:\\s+)?(\\d+)月(?:\\s+)?(\\d+)日(?:\\s+)?(\\d+)时(?:\\s+)?(\\d+)分(?:\\s+)?(\\d+)秒": "\\1-\\2-\\3 \\4:\\5:\\6" },

这一行东西前面的key是时间字符串的正则表达式，后面表示正则表达式提取出来的值的表现形式，这里是表示成标准的时间字符串“Y-m-d H:M:S”，需要增加其他规则可同理增加，修改后的上述标准化结果为：

dateparser.parse('2019年6月10日12时6分5秒')
#ountput  > datetime.datetime(2019, 6, 10, 12, 6, 5)

辅助适应

下面是微博的一些时间字符串

time_str = ["6月17日 19:35",
            "今天 11:41",
            "12分钟前",
            "1992年6月17日 19:35",
            "昨天 12:41",
            "现在"]
for t_str in time_str:
    print(dateparser.parse(t_str))
>> 2017-06-18 19:35:00 #错
>> 2019-06-18 11:41:00 #对
>> 2019-06-18 15:19:34.231664 #对
>> 1992-06-17 19:35:00 #对
>> 2019-06-17 12:41:00 #对
>> 2019-06-18 15:31:34.239665 #对

像这种况情会发生很多，每个产品都有自己的风格（中文博大精深，你发现前面“情况”两个字调转了吗，哈,调皮一下）
比较简便的方法是使用date_formats参数

date_formats = ["%m月%d日 %H:%M","%m%d%Y"]
time_str = ["03121997",
            "6月17日 19:35",
            "今天 11:41",
            "12分钟前",
            "1992年6月17日 19:35",
            "昨天 12:41",
            "现在"]
for t_str in time_str:
    print(dateparser.parse(t_str,date_formats=date_formats))
>> 1997-03-12 00:00:00
>> 2019-06-17 19:35:00
>> 2019-06-18 11:41:00
>> 2019-06-18 15:35:45.403212
>> 1992-06-17 19:35:00
>> 2019-06-17 12:41:00
>> 2019-06-18 15:47:45.421213

故意增加了一个不是很常见的时间表达，举例通过date_formats优化时间标准结果。