文本分析：提取人名和引用：如何创建模式

Question

我需要提取给定文本的名称和引用，例如：

Homer Simpson 说：“好吧，我们开始……”

返回值：

• extracted_person_name - 提取的人名，显示在上述模式中
• extracted_quotation - 提取的引用文本（不带引号）。

• 重要提示：如果未找到该模式，则为两个
  返回 None 值 提取的人名和提取的文本。

您可能期望输入文本类似于以下模式：

人名说：“引文”

上述模式的变体：

冒号标点符号 (:) 是可选的，并且可能不会出现 在输入语句中。而不是说的话，你也可以期待 的话：

回答，回答，回答

这是我目前得到的：

def person_quotation_pattern_extraction(raw_text):
    
    name_pattern = "\w+\s\w+"
    quote_pattern = "["]\w+["]"
    
    quote = re.search(quote_pattern, raw_text)
    name = re.search(name_pattern, raw_text)

    
    if re.search(quote_pattern,raw_text):
        extracted_quotation = quote.group(0) 
    else:
        extracted_quotation=None

    if re.search(name_pattern,raw_text):
        extracted_person_name = name.group(0)
    else:
        extracted_person_name=None

    return extracted_person_name, extracted_quotation 

问题是它返回Null。我假设模式不正确，你能告诉我它们有什么问题吗？

Answer 1

第一个模式没问题。它匹配“Homer Simpson”以及“here we”，但由于您只返回第 0 组，这很好。

第二种模式有一些问题。由于您使用" 打开字符串并在字符串中使用相同的"，因此python 认为字符串在那里结束。您可以从字符的颜色从绿色（字符串）变为黑色（不是字符串）再变为绿色来观察这一点。

quote_pattern = "["]\w+["]"

您可以通过使用单引号 ' 开始（和结束）字符串来防止这种情况，如下所示：

quote_pattern ='["]\w+["]'

但是，这仍然与提供的报价不符。这是因为 \w 匹配任何单词字符（相当于 [a-zA-Z0-9_]），但 不 匹配逗号 ,、点 . 或空格 @987654330 @。 因此，您可以将模式更改为

quote_pattern ='["].*["]'

.* 匹配任何内容。 您可以通过删除方括号来进一步简化表达式。在这种情况下不需要它们，因为它们只包含一个元素。

quote_pattern ='".*"'

您需要返回不带引号的报价。因此，您可以使用() 在表达式中创建一个capure 组：

quote_pattern ='"(.*)"'

这种方式仍然需要引号来匹配，但会创建一个不包含它们的组。这个组将有索引1，而不是你现在使用的0：

extracted_quotation = quote.group(1) 

这应该会导致预期的结果。

查看此网站了解一些交互式正则表达式操作：https://regex101.com/