Wikipediaの各年ページの日付をパース

mydatex.py

# -*- coding: utf-8 -*-
# stdlib
import re
import datetime
# thirdlib
from dateutil.parser import parse

MONTHS = (
    "January",
    "February",
    "March",
    "April",
    "May",
    "June",
    "July",
    "August",
    "September",
    "October",
    "November",
    "December")

MONTH_DAY_RE = re.compile("({0}) {1}".format("|".join(MONTHS), "[1-3]?[0-9]"))

# strftimeは1900年より前の年に非対応のため、
# 適当なうるう年を使って日付をパースし、
# あとで年を置き換える
DEFAULT_DATE = datetime.datetime(2000, 1, 1)


def get_first_date(text, year):
    u"""
    textに含まれる最初の日付を正規化して返す
    """
    try:
        s = MONTH_DAY_RE.search(text)
        date_exp = s.group(0)
        dt = parse(date_exp, default=DEFAULT_DATE)
        # 年の置き換え
        result = dt.strftime("YYYY-%m-%d").replace("YYYY", str(year))
        return result
    except Exception:
        return None