如何使用NLTK[复制]从文本中提取引文

Question

我有一个项目，我需要从一大堆文章中提取引文。在这里，引用我的意思是人们所说的事情，例如：阿伦说“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库的解决方案都非常有用。

谢谢

Answer 1

这符合模式的要求，即您要查找的数据总是在引号之间。简单地说，您可以使用正则表达式进行模式匹配。让我们举个例子她说“DAS A SDASD SDASD SADSD”，“SA23 DSD”ASDAS“ASDAS1 3123$%%”

适用于基本示例的正则表达式是-

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

List为我们提供了[“DAS A SDASD SADASD SADASD”、“SA23 DSD”、“ASDAS1 3123$%$%”]

这里，*匹配任何字符（除换行符外），并且模式按字面顺序匹配引号（开头\“和结尾\”）。

请注意，引号中的引号会破坏此代码。您将无法获得预期的输出。

Answer 2

正如Mayur所提到的，你可以做一个正则表达式来拾取引号之间的所有内容

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

您将遇到的问题是，引号之间可能有大量事实上不是引号的东西。

如果你写的是学术文章，你可以在结束语后找一个数字来选择脚注编号。对于非学术性文章，或许您可以运行以下内容：

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

可以更精确，但有丢失引号的风险，如块引号（块引号无论如何都会给你带来问题，因为它们可以在收盘引号前包含换行符）

至于使用NLTK，除了wordnet查找“said”的同义词外，我想不出还有什么比它更有帮助的了。