如何從段落或一堆段落中找到標題案例短語

Question

如何從段落中解析句子短語。

例如從該通道

柯南·道爾說，福爾摩斯的性格是由約瑟夫·貝爾博士，對他們來說，多伊爾曾作爲在愛丁堡皇家醫院職員工作的啓發。就像福爾摩斯一樣，貝爾因爲從最小的觀察得出大的結論而被注意到。[1]邁克爾哈里森在1971年在埃勒裏女王的神祕雜誌上的一篇文章中指出，這個角色受到了謀殺案中的「諮詢偵探」Wendell Scherer的啓發，該案涉嫌在1882年在英國受到了大量的報紙關注。

我們需要生成的東西像柯南道爾，福爾摩斯，約瑟夫·貝爾博士，溫德爾·謝爾等

我希望能有一個Python的解決方案，如果可能的

Answer 1

這種處理是非常棘手的。這個簡單的代碼做幾乎正確的事：

for s in re.finditer(r"([A-Z][a-z]+[. ]+)+([A-Z][a-z]+)?", text): 
    print s.group(0) 

生產：

Conan Doyle 
Holmes 
Dr. Joseph Bell 
Doyle 
Edinburgh Royal Infirmary. Like Holmes 
Bell 
Michael Harrison 
Ellery Queen 
Mystery Magazine 
Wendell Scherer 
England 

包括「約瑟夫·Bell博士」，你需要確定與字符串中的時期，這使得在「愛丁堡皇家醫院，與福爾摩斯一樣「。

我有一個類似的問題：Separating Sentences。

Answer 2

「重新」方法很快就失去了動力。命名實體識別是一個非常複雜的話題，超越了答案的範圍。如果你認爲你對這個問題有很好的解決方法，請將它指向Flann O'Brien又名Myles na cGopaleen，Sukarno，Harry S. Truman，J. Edgar Hoover，JK Rowling，數學家L'Hopital，Joe di Maggio， Algernon Douglas-Montagu-Scott和Hugo Max Graf von und zu Lerchenfeld aufKöferingundSchönberg。

更新以下是基於「重新」的方法，可以找到更多有效的案例。但我仍然認爲這不是一個好方法。注：我在我的文本樣本中對巴伐利亞計數的名稱進行了驗證。如果任何人真的想使用這樣的東西，他們應該使用Unicode，並在某個階段（輸入或輸出）規範化空白。

import re 

text1 = """Conan Doyle said that the character of Holmes was inspired by Dr. Joseph Bell, for whom Doyle had worked as a clerk at the Edinburgh Royal Infirmary. Like Holmes, Bell was noted for drawing large conclusions from the smallest observations.[1] Michael Harrison argued in a 1971 article in Ellery Queen's Mystery Magazine that the character was inspired by Wendell Scherer, a "consulting detective" in a murder case that allegedly received a great deal of newspaper attention in England in 1882.""" 

text2 = """Flann O'Brien a.k.a. Myles na cGopaleen, I Zingari, Sukarno and Suharto, Harry S. Truman, J. Edgar Hoover, J. K. Rowling, the mathematician L'Hopital, Joe di Maggio, Algernon Douglas-Montagu-Scott, and Hugo Max Graf von und zu Lerchenfeld auf Koefering und Schoenberg.""" 

pattern1 = r"(?:[A-Z][a-z]+[. ]+)+(?:[A-Z][a-z]+)?" 

joiners = r"' - de la du von und zu auf van der na di il el bin binte abu etcetera".split() 

pattern2 = r"""(?x) 
    (?: 
     (?:[ .]|\b%s\b)* 
     (?:\b[a-z]*[A-Z][a-z]*\b)? 
    )+ 
    """ % r'\b|\b'.join(joiners) 

def get_names(pattern, text): 
    for m in re.finditer(pattern, text): 
     s = m.group(0).strip(" .'-") 
     if s: 
      yield s 

for t in (text1, text2): 
    print "*** text: ", t[:20], "..." 
    print "=== Ned B" 
    for s in re.finditer(pattern1): 
     print repr(s.group(0)) 
    print "=== John M ==" 
    for name in get_names(pattern2, t): 
     print repr(name) 

輸出：

C:\junk\so>\python26\python extract_names.py 
*** text: Conan Doyle said tha ... 
=== Ned B 
'Conan Doyle ' 
'Holmes ' 
'Dr. Joseph Bell' 
'Doyle ' 
'Edinburgh Royal Infirmary. Like Holmes' 
'Bell ' 
'Michael Harrison ' 
'Ellery Queen' 
'Mystery Magazine ' 
'Wendell Scherer' 
'England ' 
=== John M == 
'Conan Doyle' 
'Holmes' 
'Dr. Joseph Bell' 
'Doyle' 
'Edinburgh Royal Infirmary. Like Holmes' 
'Bell' 
'Michael Harrison' 
'Ellery Queen' 
'Mystery Magazine' 
'Wendell Scherer' 
'England' 
*** text: Flann O'Brien a.k.a. ... 
=== Ned B 
'Flann ' 
'Brien ' 
'Myles ' 
'Sukarno ' 
'Harry ' 
'Edgar Hoover' 
'Joe ' 
'Algernon Douglas' 
'Hugo Max Graf ' 
'Lerchenfeld ' 
'Koefering ' 
'Schoenberg.' 
=== John M == 
"Flann O'Brien" 
'Myles na cGopaleen' 
'I Zingari' 
'Sukarno' 
'Suharto' 
'Harry S. Truman' 
'J. Edgar Hoover' 
'J. K. Rowling' 
"L'Hopital" 
'Joe di Maggio' 
'Algernon Douglas-Montagu-Scott' 
'Hugo Max Graf von und zu Lerchenfeld auf Koefering und Schoenberg'