从字符串中提取业务名称和时间段

Question

我正在使用 Python 从路透社提取有关某些公司的信息。我已经能够从this page获得官员/高管的姓名、传记和报酬

现在，我想从传记部分提取以前的职位头衔和公司，如下所示：

先生。 Donald T. Grimes 自 2008 年 5 月起担任 Wolverine World Wide, Inc. 的高级副总裁、首席财务官兼财务主管。从 2007 年到 2008 年，他担任 Keystone Automotive Operations, Inc. 的执行副总裁兼首席财务官。汽车配件和设备的经销商。在加入 Keystone 之前，Grimes 先生曾在优质葡萄酒和烈酒的制造商和营销商 Brown-Forman Corporation 担任一系列高级企业和部门财务职务。在 Brown-Forman 任职期间，Grimes 先生于 2006 年至 2007 年担任副总裁兼饮料财务总监；副总裁，2003年至2006年公司规划与分析总监； 1999 年至 2003 年担任 Brown-Forman Spirits America 的高级副总裁兼首席财务官。

我可以使用简单的正则表达式来获取 from 和 to 年份，但我不知道如何编写 regex 来获取标题和公司名称。我知道字符串格式不一致，所以我会选择一个适用于至少 70% 情况的答案。这是我想要的输出：

2007-2008, executive vice president and chief financial officer, Keystone Automotive operations

Answer 1

您尝试解决的问题是众所周知的并且经过研究，如果您在 Google 上搜索“命名实体提取”和“关系提取”这两个术语，您会发现大量描述方法和算法的研究论文 一些很好的起点是：

• “Natural Language Processing with Python”一书的第 7 章，实际上整本书可能会有所帮助。 Chapter online here

• 这篇论文在"Named Entity Relation Mining using Wikipedia"

• 本文“ddNovel Algorithms for Relationship Mining”将采矿职位和组织描述为示例之一。

这些只是我发现有趣的几个链接，还有很多，可能比这些更好，但这应该可以帮助您入门。

Answer 2

我认为不会有一个单一的正则表达式可以用于此，除非它真的很讨厌。我认为这个问题的解决方案可能是Natural Language Processing。当然有这方面的包，但使用它们可能并不简单。

基本上你想用“X is/was Y”这样的句子，找出哪个部分是名字，哪个部分是职位列表，以及哪些部分是不相关的。也许寻找大写的单词序列或像“and”和“of”这样的小词？

(?:\u\w+)( (?:\u\w*)|(?:of)|(?:and))*  #Note the space

\u 表示下一个字符（\w+ 组的第一个字符）是大写的。还没有测试它，但它似乎应该工作。这可能是个不小的问题。