Поиск всех отметок времени на странице с помощью регулярных выражений

Question

Я пытаюсь найти дату публикации газетных статей, опубликованных в Интернете с использованием Python, но каждый веб-сайт использует свой собственный уникальный стиль для HTML, и время публикации в мета-странице не одинаково для разных доменов.

Я пытался использовать пакет dateparser, но он включает систему относительных дат, которая неправильно считывает некоторые слова (например, строку: «день») как относительные времена.

Существует ли хороший список регулярных выражений, о которых кто-то знает / может поделиться, который включает как можно больше способов форматирования отметки времени, включая поддержку чтения часовых поясов?

Answer 1

В общем, нет - эта задача невозможна, потому что люди определяют контекст, который вы, вероятно, не принимаете во внимание.

Подумайте, не встретился ли в вашем коде строка типа 01/05/13. Какая дата это? Это 5 января 2013? А может это 1 мая 2013 года? Или 13 мая 1801 года? Человек-читатель может понять контекст локализации и столетие публикации, но если вы не предоставите их отдельно - компьютерный код не поможет.

Аналогично, подумайте, не встретился ли в вашем коде строка типа 3.14. Это 14 марта? Или это приближение для математического символа π? Без контекста понимания окружающего текста невозможно узнать.