HTML日期提取应优先解析time标签的datetime属性，其次查找含date/published/updated等语义化class/id的元素，避免script/style/注释内容；需结合上下文限定范围、处理时区与格式歧义，并验证结果可读性。
识别常见HTML日期格式的特征
HTML里没有专门的日期标签，日期通常藏在文本节点、datetime 属性、或特定class/id的元素中。比如 <time datetime="2024-03-15">2024年3月15日</time>，或者 <span class="date">Mar 15, 2024</span>。直接用正则硬扫整个HTML容易误匹配（如版本号2.4.15、IP段192.168.1.15），必须结合上下文定位。
- 优先检查
time元素的datetime属性，它最规范、最可靠 - 再查含
date、published、updated等语义化 class 或 id 的元素 - 避免对
script、style、注释内容做日期提取——它们常含干扰字符串
用 BeautifulSoup 定位并解析 time 标签的 datetime 属性
time 元素是HTML5明确为日期设计的，它的 datetime 属性值符合ISO 8601（如 "2024-03-15T14:30" 或 "2024-03-15"），可直接交给 dateutil.parser.parse() 或 datetime.fromisoformat() 解析。
from bs4 import BeautifulSoup
from dateutil import parser
<p>html = '<time datetime="2024-03-15T09:22:17+08:00">发布于今天</time>'
soup = BeautifulSoup(html, 'html.parser')
time_tag = soup.find('time', datetime=True)
if time_tag:
dt = parser.parse(time_tag['datetime'])
print(dt) # 2024-03-15 09:22:17+08:00</p>-
datetime属性可能为空或格式非法，务必加try/except捕获ValueError - 不要用
soup.find_all('time')盲扫——有些站点用time标签表示“耗时”，比如<time>3分钟阅读</time>
从普通文本节点中提取日期需限定上下文范围
当日期不在 time 标签里，而是混在段落或标题中（如 <p>文章更新时间：2024年03月15日</p>），必须先缩小搜索范围，再用正则提取：
-
先按关键词过滤父元素：
soup.find(['p', 'div', 'header'], string=re.compile(r'更新|发布|时间|日期', re.I))立即学习“前端免费学习笔记（深入）”；
再在其祖先或兄弟节点中找含年月日模式的文本（如
\d{4}[-年.]\d{1,2}[-月.]\d{1,2}[日]?）中文日期要小心全角/半角、简写/全写（
"3月15号"vs"三月十五日"），建议只处理数字型（\d+）组合，跳过汉字序数正则不要跨行匹配——HTML文本节点通常已去换行，但
re.DOTALL可能意外吞掉其他标签内容提取到多个候选字符串时，选最靠近“发布”“更新”等关键词的那个，而不是第一个匹配项
时区和格式歧义是后期处理最容易翻车的地方
即使成功提取出 "2024-03-15" 或 "15/03/2024"，也不代表能直接入库。不同地区习惯不同：
-
"03/15/2024"在美国是3月15日，在英国是15月3日（非法）——实际得结合页面<html lang="en-US">或域名（.uk）推测 -
"2024/3/15"缺少补零，datetime.strptime()会报错，得先标准化成"%Y/%m/%d"格式再解析 - 没有时区信息的
"2024-03-15"是“全天”还是“UTC午夜”？业务上往往需要统一转成本地时区或保留为 naive datetime
真正麻烦的不是“找不到日期”，而是“找到了但不确定它代表哪一刻”。别省略验证步骤：拿提取结果反向渲染成人类可读字符串，看是否和原文本一致。
