Извлечение имен из строки с помощью Python Regex

Question

Я пытался извлечь имена из строки, но, похоже, не близко к успеху.

Вот код:

string = "555-1239Moe Szyslak(636) 555-0113Burns, C. Montgomery555 -6542Rev. Timothy Lovejoy555 8904Ned Flanders636-555-3226Simpson, Homer5553642Dr. Julius Hibbert"
regex = re.compile(r'([A-Z][a-z]+(?: [A-Z][a-z]\.)? [A-Z][a-z]+)')
print(regex.findall(string))

Это вывод, который я получаю. ['Moe Szyslak', 'Timothy Lovejoy', 'Ned Flanders', 'Julius Hibbert']

Answer 1

Необычные регулярные выражения требуют времени для составления и их трудно поддерживать.В этом случае я бы хотел сохранить это простым:

re.findall(r"[^()0-9-]+", string)

вывод:

['Moe Szyslak', ' ', 'Burns, C. Montgomery', ' ', 'Rev. Timothy Lovejoy', ' ', 'Ned Flanders', 'Simpson, Homer', 'Dr. Julius Hibbert']

Если пробелы являютсявопрос, я бы отфильтровал list(filter(str.strip,list))

Answer 2

Извлечение человеческих имен даже на английском языке, как известно, очень сложно. Следующее регулярное выражение решает вашу конкретную проблему, но может давать сбой на других входах (например, оно не захватывает имена с тире):

re.findall(r"[A-Z][a-z]+,?\s+(?:[A-Z][a-z]*\.?\s*)?[A-Z][a-z]+", string)
#['Moe Szyslak', 'Burns, C. Montgomery', 'Timothy Lovejoy', 
# 'Ned Flanders', 'Simpson, Homer', 'Julius Hibbert']

И с заголовками:

TITLE = r"(?:[A-Z][a-z]*\.\s*)?"
NAME1 = r"[A-Z][a-z]+,?\s+"
MIDDLE_I = r"(?:[A-Z][a-z]*\.?\s*)?"
NAME2 = r"[A-Z][a-z]+"

re.findall(TITLE + NAME1 + MIDDLE_I + NAME2, string)
#['Moe Szyslak', 'Burns, C. Montgomery', 'Rev. Timothy Lovejoy', 
# 'Ned Flanders', 'Simpson, Homer', 'Dr. Julius Hibbert']

В качестве примечания, нет необходимости составлять регулярное выражение, если вы не планируете использовать его повторно.

Answer 3

Я извлекаю сущности для имен экземпляров со spacy в кратчайшие сроки. С spacy вы можете положиться на предварительно обученные языковые модели, которые обладают обширными знаниями об общих именах и названиях.

1. Шаг: настройте spacy и загрузите предварительно подготовленную модель английского языка import spacy<br> import en_core_web_sm nlp = en_core_web_sm.load()

2. Шаг: создать просторный документ doc = nlp('555-1239Moe Szyslak(636) 555-0113Burns, C. Montgomery555 -6542Rev. Timothy Lovejoy555 8904Ned Flanders636-555-3226Simpson, Homer5553642Dr. Julius Hibbert')

3. Шаг: получить теги для всех токенов в документе, которые помечены как лица print([(X.text, X.label_) for X in doc.ents if X.label_ == PERSON])

Answer 4

Вот один подход, использующий обходные пути нулевой ширины для выделения каждого имени:

string = "555-1239Moe Szyslak(636) 555-0113Burns, C. Montgomery555 -6542Rev. Timothy Lovejoy555 8904Ned Flanders636-555-3226Simpson, Homer5553642Dr. Julius Hibbert"
result = re.findall(r'(?:(?<=^)|(?<=[^A-Za-z.,]))[A-Za-z.,]+(?: [A-Za-z.,]+)*(?:(?=[^A-Za-z.,])|(?=$))', string)

print(result)

['Moe Szyslak', 'Burns, C. Montgomery', 'Rev. Timothy Lovejoy', 'Ned Flanders',
 'Simpson, Homer', 'Dr. Julius Hibbert']

Фактический шаблон соответствует этому:

[A-Za-z.,]+(?: [A-Za-z.,]+)*

Это означает совпадение с любой заглавной или строчной буквой, точкой или точкой, за которым следует пробел и один или несколько одинаковых символов, ноль или более раз.

Кроме того, мы используем следующие обходные пути слева и справа от этого шаблона:

(?:(?<=^)|(?<=[^A-Za-z.,]))
Lookbehind and assert either the start of the string, or a non matching character
(?:(?=[^A-Za-z.,])|(?=$))
Lookahead and asser either the end of the string or a non matching character