你好!
我想从文本中提取所有引文。此外,应提取被引用人的姓名。 DayLife does this very well.
示例:
他们认为这是“游戏结束”的短语,应该提取引用的一位高级政府官员的人。
你认为这可能吗?如果您检查是否提到了被引用的人,您只能区分引用和引号中的单词。
示例:
国情咨文不是引文。但是你如何检测到这一点? a)您检查是否提到了被引用的人。 b) 您计算假定报价中的空格。如果少于 3 个空格,则不会是引号,对吗?我更喜欢 b) 因为并不总是有一个被引用的人的名字。
如何开始?
我首先将所有类型的引号替换为一种类型,以便您以后只需检查一个引号。
<?php
$text = '';
$quote_marks = array('“', '”', '„', '»', '«');
$text = str_replace($quote_marks, '"', $text);
?>
然后我将提取包含超过 3 个空格的引号之间的所有短语:
<?php
function extract_quotations($text) {
$result = preg_match_all('/"([^"]+)"/', $text, $found_quotations);
if ($result == TRUE) {
return $found_quotations;
// check for count of blank spaces
}
return array();
}
?>
你怎么能改善这个?
我希望你能帮助我。非常感谢您提前!
最佳答案
正如ceejayoz 已经指出的那样,这不适合单个函数。您在问题中描述的内容(检测句子中引号转义部分的语法功能 - 即“我认为它很严重并且正在恶化”与“国情咨文”)最好用图书馆解决可以将自然语言分解为标记。我不知道 PHP 中有任何这样的库,但是您可以查看在 python 中使用的东西的项目大小:http://www.nltk.org/
我认为你能做的最好的事情就是定义一组你手动验证的语法规则。这样的事情怎么样:
abstract class QuotationExtractor {
protected static $instances;
public static function getAllPossibleQuotations($string) {
$possibleQuotations = array();
foreach (self::$instances as $instance) {
$possibleQuotations = array_merge(
$possibleQuotations,
$instance->extractQuotations($string)
);
}
return $possibleQuotations;
}
public function __construct() {
self::$instances[] = $this;
}
public abstract function extractQuotations($string);
}
class RegexExtractor extends QuotationExtractor {
protected $rules;
public function extractQuotations($string) {
$quotes = array();
foreach ($this->rules as $rule) {
preg_match_all($rule[0], $string, $matches, PREG_SET_ORDER);
foreach ($matches as $match) {
$quotes[] = array(
'quote' => trim($match[$rule[1]]),
'cited' => trim($match[$rule[2]])
);
}
}
return $quotes;
}
public function addRule($regex, $quoteIndex, $authorIndex) {
$this->rules[] = array($regex, $quoteIndex, $authorIndex);
}
}
$regexExtractor = new RegexExtractor();
$regexExtractor->addRule('/"(.*?)[,.]?\h*"\h*said\h*(.*?)\./', 1, 2);
$regexExtractor->addRule('/"(.*?)\h*"(.*)said/', 1, 2);
$regexExtractor->addRule('/\.\h*(.*)(once)?\h*said[\-]*"(.*?)"/', 3, 1);
class AnotherExtractor extends Quot...
如果你有一个像上面这样的结构,你可以通过任何/所有的文本运行相同的文本,并列出可能的引文以选择正确的引文。我用这个线程运行代码作为测试的输入,结果是:
array(4) {
[0]=>
array(2) {
["quote"]=>
string(15) "Not necessarily"
["cited"]=>
string(8) "ceejayoz"
}
[1]=>
array(2) {
["quote"]=>
string(28) "They think it's `game over,'"
["cited"]=>
string(34) "one senior administration official"
}
[2]=>
array(2) {
["quote"]=>
string(46) "I think it is serious and it is deteriorating,"
["cited"]=>
string(14) "Admiral Mullen"
}
[3]=>
array(2) {
["quote"]=>
string(16) "Not necessarily,"
["cited"]=>
string(0) ""
}
}
关于php - 如何从文本(PHP)中提取引文?,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/1323516/