如何从python中的字符串中提取月份和年份？

Posted 2023-03-12

【中文标题】如何从python中的字符串中提取月份和年份？

【英文标题】：How can i extract month and year from a string in python?

【发布时间】：2020-09-18 10:40:02

【问题描述】：

输入文本：

text = "Wipro Limited | Hyderabad, IN                Dec 2017 – Present
Project Analyst 

Infosys | Delhi, IN                Apr 2017 – Nov 2017 
Software Developer 

HCL Technologies | Hyderabad, IN                Jun 2016 – Mar 2017 
Software Engineer  
"

我为此编写了一个代码，但它显示在每个提取的单词的列表中，并且无法执行任何操作。

regex = re.compile('(?P<month>[a-zA-Z]+)\s+(?P<year>\d4)\s+\–\s+(?P<month1>[a-zA-Z]+)\s+(?P<year1>\d4)')
mat = re.findall(regex, text)
mat

查看代码：https://regex101.com/r/mMlgYp/1。 我希望像下面这样的输出来预览日期并做出改变，然后计算总经验： 此处“当前”或“截止日期”应考虑当前月份和年份。

import time
Present = time.strftime("%m-%Y")
Present 
# output: '05-2020'

#Desired output
Extracted dates: 
[('Dec 2017 - Present'),
 ('Apr 2017 - Nov 2017'),
 ('Jun 2016 - Mar 2017')]# and so on ...should display all the search results 

First experience: 1.9 years 
second experience: 8 months
third experience: 7 months
# and so on ...should display all the search results 
Total experience: 3.4 years

请帮我解决这个问题，我是编程语言和 NLP、正则表达式的新手。

【参考方案1】：

您可能最终希望在数据框中使用它，因为您将它标记为 pandas（请参阅Andrej's answer），但无论哪种方式，您都可以使用插值从字符串中解析日期：

fr"(?i)((?:months) *\d4) *(?:-|–) *(present|(?:months) *\d4)"

其中months 是所有可能的月份名称和缩写的交替组。

import calendar
import re
from datetime import datetime
from dateutil.relativedelta import relativedelta

text = """Wipro Limited | Hyderabad, IN                Dec 2017 – Present
Project Analyst 

Infosys | Delhi, IN                Apr 2017 – Nov 2017 
Software Developer 

HCL Technologies | Hyderabad, IN                Jun 2016 – Mar 2017 
Software Engineer  
"""

def parse_date(x, fmts=("%b %Y", "%B %Y")):
    for fmt in fmts:
        try:
            return datetime.strptime(x, fmt)
        except ValueError:
            pass

months = "|".join(calendar.month_abbr[1:] + calendar.month_name[1:])
pattern = fr"(?i)((?:months) *\d4) *(?:-|–) *(present|(?:months) *\d4)"
total_experience = None

for start, end in re.findall(pattern, text):
    if end.lower() == "present":
        today = datetime.today()
        end = f"calendar.month_abbr[today.month] today.year"

    duration = relativedelta(parse_date(end), parse_date(start))

    if total_experience:
        total_experience += duration
    else: 
        total_experience = duration

    print(f"start-end (duration.years years, duration.months months)")

if total_experience:
    print(f"total experience:  total_experience.years years, total_experience.months months")
else:
    print("couldn't parse text")

输出：

Dec 2017-May 2020 (2 years, 5 months)
Apr 2017-Nov 2017 (0 years, 7 months)
Jun 2016-Mar 2017 (0 years, 9 months)
total experience:  3 years, 9 months

【讨论】：

嗨@ggorlen，非常感谢您的快速响应。它非常适合上面的代码，但是当我将简历解析为文本并将这个文本文件传递给上面的代码时，它会抛出一个错误。 ibb.co/w42sQ6m。 （附图片）。错误：AttributeError：“NoneType”对象没有属性“years”。提前致谢。

你能把文字发到s吗？可能的原因是恢复字符串与此处显示的不同导致正则表达式失败，因此re.findall 未返回任何结果，total_experience 从未设置。

@ggorlen，请查看附件图片。 ibb.co/9p36RHG

请发帖as text。我无法复制和粘贴此内容或查看空格等。尽管如此，很明显添加在原始格式上运行良好的^(.+?) *\| *(.+?) * 不适用于此版本。如果您将其连同与 company 和 location 相关的任何内容一起删除，它应该可以工作。

好的，谢谢。看我的更新。请记住，正则表达式无法解析任意格式的文本，因此编写可以从一堆随机 pdf 中提取日期范围的代码有点困难（不可能？）。它们必须具有相当良好的格式，并且尝试在所有边缘情况下编写可能是一项无休止的任务（两位数年份而不是四位数年份，'05 而不是 2005，不同的空格和分隔符。 ..).

【参考方案2】：

import re
import numpy as np
import pandas as pd

text = '''Wipro Limited | Hyderabad, IN                Dec 2017 – Present
Project Analyst

Infosys | Delhi, IN                Apr 2017 – Nov 2017
Software Developer

HCL Technologies | Hyderabad, IN                Jun 2016 – Mar 2017
Software Engineer
'''

def pretty_format(monthts):
    return f'monthts/12:.1f years' if monthts > 11 else f'monthts:.1f months'

data = []
for employer, d1, d2 in re.findall(r'(.*?)\s*\|.*([A-Z][a-z]2 [12]\d3) – (?:([A-Z][a-z]2 [12]\d3)|Present)', text):
    data.append('Employer': employer, 'Begin': d1, 'End': d2 or np.nan)

df = pd.DataFrame(data)
df['Begin'] = pd.to_datetime(df['Begin'])
df['End'] = pd.to_datetime(df['End'])

df['Experience'] = ((df['End'].fillna(pd.to_datetime('now')) - df['Begin']) / np.timedelta64(1, 'M')).apply(pretty_format)
print(df)

total = np.sum(df['End'].fillna(pd.to_datetime('now')) - df['Begin']) / np.timedelta64(1, 'M')
print()
print(f'Total experience = pretty_format(total)')

打印：

           Employer      Begin        End  Experience
0     Wipro Limited 2017-12-01        NaT   2.5 years
1           Infosys 2017-04-01 2017-11-01  7.0 months
2  HCL Technologies 2016-06-01 2017-03-01  9.0 months

Total experience = 3.8 years

【讨论】：

OP 有 3.4 年，你有 3.8 年，我有 3.9 年。 死

@ggorlen 我认为这是四舍五入的问题，当我在格式中使用.2f 时，我得到3.83 years。 也死了

哦，等等，我得到了 3 年零 9 个月，这与小数点不同。我觉得一年的小部分很奇怪，所以我会坚持使用月份格式。

嗨@Andrej Kesely，非常感谢您的快速回复。感谢您应用后期阶段所需的数据框。对于上面的代码，它工作得很好，但是当我将简历解析为文本并将文本文件传递到上面的代码中时，它会抛出一个错误。 ibb.co/FwyQRmS。 （附图片）。错误：KeyError: 'Begin' 在处理上述异常的过程中，发生了另一个异常：