如何通过OpenNLP从超文本标记语言格式的电子邮件文件中提取数据？
我正在做一个项目，我通过电子邮件发送了来自不同快递公司的收据。这些电子邮件是HTML格式的。
但是，它们并没有都形成特定的结构。每封电子邮件都有不同的格式。我尝试了jshop来提取数据，但很难为每种特定类型的html编写提取。我需要从邮件中提取名称、位置、位置、组织和其他一些细节。我尝试了openNLP，但它不能识别所有位置和名称。如果它是句子形式，它会捕获一些位置。
我可以用html内容创建自己的训练数据，注释它们并训练它根据我在训练数据中的html结构检测位置和名称吗？
共有1个答案
我认为你最初的做法值得一试。我在这里看到了两个步骤的选项：
>
使用OpenNLP或StanfordNLP NER提取命名实体。地点、名称e.t.c。
另一个选项是使用由句子生成的解析树，看看是否有一种模式可供提取。
关于从位置和位置获取，您可以尝试为句子生成解析树，这里有一个很好的例子：从句子OpenNLP中提取名词短语。只需更改代码即可获得第65行的PP（介词短语），因为它当前获得的是NP（名词短语）。
你会注意到from location和to location是介词短语（from和to是介词）。一旦你从句子中得到介词短语，你可以尝试提取名词成分（在介词之后），并使用其他启发式方法来确定它们是否是位置。
如果你有一个关于可能位置的词典，这也是非常有用的。如果有词典，那么你的“搜索空间”就更小了，你可以检查你的介词短语，看看它们是否是已知的位置。
正如有人在评论中提到的，没有一个实体识别器能够在开箱即用的情况下完成完美的工作。这些东西通常需要很多调整，所以你必须热衷于实验和观察数据。
希望这能有所帮助
-
我有一位客户/朋友正在准备通过agencyaccess发送电子邮件。他们需要一个包含所有内容的html文档，并在一个html文档中包含电子邮件的纯文本版本。我想我有一个基本的理解，但有点困惑。我通常使用Mailchimp来处理我的电子邮件营销。 因此，我们将使用常规的html文档 但是，我们是否在此下方的某个地方为纯文本版本声明了另一种mime类型，然后电子邮件客户端选择要显示的类型？这两者是否都
-
我想发送包含CSS样式表的超文本标记语言页面到电子邮件帐户。问题是CSS样式表根本不可见。我必须内联每个CSS样式吗？这似乎是非常低效的方法。还有其他想法吗？ 以下是发送电子邮件的PHP代码： 我将非常感谢你的帮助。提前谢谢。
-
我试图使用python/lxml和命令提取图像URl，但在隔离url本身时遇到麻烦。 下面是我想要的围绕img的HTML： 具体来说，我想隔离<代码>https://photos.zillowstatic.com/p_h/IS2fordnekys6d1000000000.jpgurl。 我尝试了几种方法，但都没有成功，包括以下几种方法：
-
我试图使用谷歌ap脚本发送超文本标记语言的电子邮件。我有一个谷歌文档上的超文本标记语言，我试图使用下面的代码发送。但是当我发送它时，我收到的是未格式化的文本，显示了所有超文本标记语言标签。有人能告诉我怎么做吗？我不想在脚本中包含超文本标记语言，因为最终会有很多。 var html=UrlFetchApp。取（'https://docs.google.com/document/d/documentI
-
我有一个模板用于我尝试设置的密码重置电子邮件，而不是默认的电子邮件。代码如下： 并且，在我的浏览器（chrome）中呈现，它看起来像这样： 我试图使用django中的模板，通过创建一封“密码重置”电子邮件。html，并将其传递给django。contrib。认证。密码重置视图。然而，我收到的电子邮件（显示在gmail中）看起来是这样的： 我做错了什么？我尝试了以下方法来解决此问题： 删除所有并将所
-
我有一封预先设计好的HTML电子邮件，我用Komodo edit对它进行了切片和编码。所有内容都在一个表中，和