regex - 帮助: Extracting data tuples from text. ..正则表达式还是机器学习？

衷心感谢您对解决以下问题的最佳方法的想法。我使用的是汽车分类 list 示例，该示例本质上类似，可以给出一个想法。

问题:从给定的文本中提取数据元组。

这是数据的一些特征。

文本中的词汇(单词)仅限于特定领域。最多假设100-200个字。

需要解析的文本是一个标题，例如如下所示的Car Ad数据。因此，每个记录对应一个元组(行)。

在某些情况下，某些属性可能会丢失。因此，例如，缺少年份下的原始数据行＃5。

有些单词并存(字母组合图)。就像“低英里”。

历史数据可用= 10,000条记录

传入的新数据量= 1000-1500条记录/周

预期的输出应为(Year，Make，Model，feature)的形式。所以输出应该看起来像

1->(2009年，福特，Fusion，SE)
2->(1997年，福特，金牛座，旅行车)
3->(2000，三菱，Mirage，DE)
4->(2007年，福特，Expedition，EL Limited)
5->(，本田，雅阁，EX)
....
....

原始标题数据:

1-> 2009年福特Fusion SE-7000美元
2-> 1997年福特金牛座旅行车-800美元(东圣何塞)
3-> '00三菱幻影DE-$ 2499(saratoga)图片
4-> 2007 Ford Expedition EL Limited-$ 7800(x)
5->本田雅阁低里程-$ 2800(都柏林/普林斯顿/利莫莫)图片
6-> 2004 HONDA ODASSEY LX 68K MILES-$ 10800(danville/san ramon)
7-> 93 LINCOLN MARK-$ 2000(Oakland East)图片
8-> ####### 2006雷克萨斯GS 430 BLACK ON BLACK 114KMI #######-$ 19700(San Rafael)图片
9-> 2004 Audi A4 1.8T FWD-$ 8900(萨加门多)图片
10-> ####### 2003 GMC C2500 HD EX-CAB 6.0 V8 EFI WHITE 4X4 #######-$ 10575(San Rafael)图片
11-> 1990年，丰田花冠取得了不错的成绩!节省气体! 5速清洁! REG 2011 O.B.O-$ 1600(Hayward/Castro Valley)图片img
12-> HONDA ACCORD EX 2000-$ 4900(都柏林/普莱森/利物浦)图片
13-> 2009 Chevy Silverado LT乘员舱-$ 23900(都柏林/普莱森顿/利莫莫)图片
14-> 2010年ura歌TSX-V6-TECH-$ 29900(都柏林/普莱森顿/利物浦)图片
15-> 2003 Nissan Altima-$ 1830(SF)pic

可能的选择:

机器学习文本分类器(朴素贝叶斯等)

正则表达式

我要弄清楚的是，RegEx是否太复杂了，而文本分类器却是一个过大的杀伤力？

如果选择使用文本分类器，那么您会认为最容易实现的分类是什么。

在此先感谢您的帮助。

最佳答案

这是一个经过深入研究的问题，称为information extraction。做您想做的事情不是直截了当的，它并不像您说的那么简单(即，机器学习并不是一个过大的技巧)。有几种技术，您应该阅读研究领域的概述。