如何使用 NLTK 从文本中提取引号 [重复]答案

【问题标题】：How to extract quotations from text using NLTK [duplicate]如何使用 NLTK 从文本中提取引号 [重复]
【发布时间】：2016-10-22 12:45:59
【问题描述】：

我有一个项目，我需要从大量文章中提取引文。在这里，引用是指人们所说的事情，例如：Alen 说“要提取的文本”。我将 NLTK 用于其他与 NLP 相关的任务，因此任何使用 NLTK 或任何类型的 Python 库的解决方案都会非常有用。

谢谢

【问题讨论】：

【解决方案1】：

正如 Mayur 所说，您可以使用正则表达式来获取引号之间的所有内容

list = re.findall("\".*?\"", string)

您会遇到的问题是，引号之间可能有大量实际上不是引号的内容。

如果你在做学术文章，你可以在结束引号后查找一个数字来获取脚注编号。否则，对于非学术文章，也许您可以运行以下内容：

"(said|writes|argues|concludes)(,)? \".?\""

可以更精确，但可能会丢失引号，例如块引号（块引号无论如何都会给您带来问题，因为它们可以在右引号之前包含换行符）

至于使用 NLTK，除了 wordnet 用于查找“said”的同义词之外，我想不出有什么帮助。

【讨论】：

【解决方案2】：

这符合模式，即您要查找的数据始终位于引号"" 之间。简单来说，可以使用regex 进行模式匹配。我们以这个例子she said " DAS A SDASD sdasdasd SADSD", " SA23 DSD " ASDAS "ASDAS1 3123$ %$%"

适用于您的基本示例的正则表达式是 -

list = re.findall("\".*?\"", string)

List 给我们['" DAS A SDASD SADASD SADSD"', '" SA23 DSD "', '"ASDAS1 3123$ %$%"']

这里，.*? 匹配任何字符（换行符除外），并且模式匹配引号（以 \" 开头并以 \" 结尾）。

请注意引号内的引号会破坏此代码。你不会得到预期的输出。

【讨论】：

这会选取引号之间的任何内容。根据您正在评估的文本，您会捡起一堆没有报告的垃圾……只是用引号括起来的东西，比如字母“A”，“晦涩”这个词的意思是……等等。
我一直假设 OP 正在处理 具有有意义对话的结构化数据，因为 OP 说 I need to extract quotations from a huge set of articles。所以我的假设是一个合理的假设。我会 +1 你为答案添加一些好的东西。