从 Python 中的文本中提取日期/持续时间

Question

要提取的文本和输出类似于以下内容：

“每两周检查一次” - 两周

“在第 1 天和第 14 天检查它” - 第 1 天和第 14 天

“第 19 天和第 14 天很重要”- 第 19 天，第十四天

“在第 11 天和第 14 天检查” - 第 11 天、第 14 天

“在第一天和十二天检查” - 第一天，第十二天

我曾尝试使用 SUTime 库来提取必要的信息，但它仅适用于第一个示例，无法从其余示例中正确提取信息。考虑到可以编写相同文本的多种方式，使用正则表达式不太可行。这个问题还有其他解决方案吗？

Answer 1

这是一个很好的问题，因为如果您真的想确保每次提到一天或持续时间，您最终可能会使用机器学习，因为这样您的程序可以被训练来识别诸如“每两周一次”或“每两年一次”，这不是数值。但是，我认为对于这样的事情，采用不需要太多编码和努力的方法可能更明智。首先，根据您在此处显示的内容判断，您的程序应该识别“每 n 天/周”和“检查第 n 天和 m 天”（n 和 m 代表那里的任意数字）。首先，我建议使用words2num Python Library 将任何文本（如示例中的“十四”）转换为整数。您将可能需要使用正则表达式来解析文本 - 但仅限于单词。数字可以通过使用 split() 内置函数找到，通过分隔符将字符串拆分为单词的子字符串，在这里可以使用空格。然后您可以使用isdigit() 函数查看它是否为整数，然后应用您的规则。

我意识到这些不是分步说明，而是一种选择。如果您真的想提高效率，那么自然语言或机器学习将是最好的选择，但如果您愿意，您可以使用基本解析和正则表达式来管理。