CircleTenThanks
commented
4 months ago ニュースのページから日付を抽出するサンプル
【日程】セクションに記載されている文字列だけを対象に検索する ■ をセクションとして使っているケースも有り
import re
from datetime import datetime
def extract_datetimes(text, section=None):
# 日付の正規表現パターンとそれに対応するインデックスの辞書
date_patterns = [
(r'\b(\d{4})年\s*(\d{1,2})月\s*(\d{1,2})日?\b', (1, 2, 3)), # YYYY年MM月DD日
(r'\b(\d{4})年(\d{1,2})月(\d{1,2})日?\b', (1, 2, 3)), # YYYY年MM月DD日 (年月日連結)
(r'\b(\d{4})[/-]\s*(\d{1,2})[/-]\s*(\d{1,2})\b', (1, 2, 3)), # YYYY/MM/DD or YYYY-MM-DD
(r'\b(\d{1,2})[/-]\s*(\d{1,2})[/-]\s*(\d{2}|\d{4})\b', (3, 2, 1)), # DD/MM/YYYY or DD-MM-YYYY
(r'\b(\d{4})年\s*(\d{1,2})月\s*(\d{1,2})日?\b', (1, 2, 3)), # YYYY年MM月DD日 (日を含まない)
(r'\b(\d{4})年\s*(\d{1,2})月\s*(\d{1,2})\b', (1, 2, 3)), # YYYY年MM月DD (日に日付の区切り文字がない)
(r'\b(\d{4})[/-]\s*(\d{1,2})[/-]\s*(\d{2}|\d{4})\b', (1, 2, 3)), # YYYY/MM/DD or YYYY-MM-DD (YY年を含む)
(r'\b(\d{1,2})[/-]\s*(\d{1,2})[/-]\s*(\d{2}|\d{4})\b', (3, 2, 1)), # DD/MM/YYYY or DD-MM-YYYY (日付の順番が逆)
(r'\b(\d{1,2})月\s*(\d{1,2})日\s*(\d{4})年?\b', (3, 1, 2)), # MM月DD日YYYY年 (日月の順番)
(r'\b(\d{4})\s*年\s*(\d{1,2})\s*月\s*(\d{1,2})\s*日\b', (1, 2, 3)), # YYYY年 MM月 DD日 (スペースがある)
]
# セクション指定がある場合、そのセクション内のテキストのみを抽出
if section:
section_pattern = rf'\【{section}\】(.*?)\【'
section_match = re.search(section_pattern, text + '【', re.DOTALL)
if section_match:
text = section_match.group(1)
else:
return []
datetimes = []
for pattern, indices in date_patterns:
matches = re.finditer(pattern, text)
for match in matches:
groups = match.groups()
year, month, day = [int(groups[i - 1]) for i in indices]
datetime_obj = datetime(year, month, day)
if datetime_obj not in datetimes:
datetimes.append(datetime_obj)
if datetimes:
return datetimes
else:
raise ValueError("No valid dates found in the text.")
# テスト用の文字列
test_string = "【日程】2024年4月14日(日)2024年4月21日(日)2024年4月29日(月・祝)2024年5月4日(土)2024年5月5日(日) ※丹生明里のみの参加となります。2024年5月11日(土) ※丹生明里のみの参加となります。2024年5月12日(日)2024年5月18日(土) ※丹生明里のみの参加となります。2024年6月9日(日)【他のセクション】"
# 文字列から日時を抽出して表示
try:
extracted_datetimes = extract_datetimes(test_string, "日程")
for dt in extracted_datetimes:
print(f"Datetime: {dt}")
except ValueError as e:
print(f"Error: {e}")
背景
4回目のひな誕祭のときはスケジュールにイベントが登録されていた。 https://www.hinatazaka46.com/s/official/media/list?ima=0000&cd=event&dy=202304
しかし、5回目のひな誕際のときは登録されていないため、Googleカレンダーに追加されなかった。 https://www.hinatazaka46.com/s/official/media/list?ima=0000&cd=event&dy=202404
一応、開催決定をはじめとするニュースは記載されているので、この情報を使ってなんとかできないか。 https://www.hinatazaka46.com/s/official/news/list?ima=0000&cd=event&dy=202312 https://www.hinatazaka46.com/s/official/news/detail/E00407?ima=0000
ミーグリの予定とかも。 https://www.hinatazaka46.com/s/official/news/detail/S00325?ima=0000
課題
最初の開催決定では、時間までの詳細情報は無いため、順次追っていく必要あり。ただ、時間を抽出するのは難しそう。(いろんな書き方が想定されるため) スケジュールに記載されている場合重複してしまうのでそこをどうやって検出するか。 ついでに、チケット受付開始のスケジュールもあると嬉しいかも。