Как анализировать входные данные строки даты японской эпохи в LocalDate/LocalDateTime через Java 8 DateTime API?
Пример даты японского календаря;
明治23年11月29日
昭和22年5月3日
平成23年3月11日（金）14時46分
令和5年1月11日
Как разобрать строковые значения даты японской эры в LocalDate и LocalDateTime
24.07.2019
Ответы:
1
Это достигается за счет использования DateTimeFormatter. следующим образом;
DateTimeFormatter japaneseEraDtf = DateTimeFormatter.ofPattern("GGGGy年M月d日")
.withChronology(JapaneseChronology.INSTANCE)
.withLocale(Locale.JAPAN);
где GGGG в шаблоне — это обозначение японских символов, представляющих эпоху
(например, 平成 Heisei), а остальные — со значениями года/месяца/дня с соответствующими японскими символами: y年 для года, M月 для месяца, d日 для дня.
LocalDate.parse("明治23年11月29日", japaneseEraDtf);
LocalDate.parse("昭和22年5月3日", japaneseEraDtf);
LocalDate.parse("令和5年1月11日", japaneseEraDtf);
выдаст;
1890-11-29
1947-05-03
2023-01-11
Для LocalDateTime, используя обновленный шаблон "GGGGy年M月d日（E）HH時mm分" в japaneseEraDtf;
LocalDateTime.parse("平成23年3月11日（金）14時46分", japaneseEraDtf);
приведет к;
2011-03-11T14:46
24.07.2019
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..