如何从文本中提取引文(PHP)？

你好！

我想从文本中提取所有引文.此外,应提取被引人员的姓名. DayLife does this very well.

例：

“They think it’s ‘game over,’ ” one senior administration official said.

他们认为这是“游戏结束”这一短语,应该提取一位高级政府官员.

你觉得这可能吗？如果您检查引用的人是否被提及,您只能区分引文和引号中的单词.

例：

“I think it is serious and it is deteriorating,” Admiral Mullen said Sunday on CNN’s “State of the Union” program.

通过国联盟不是报价.但你怎么发现这个？ a)您检查是否有引用的人提到. b)计算所谓引用中的空格.如果空格少于3个,则不会是报价,对吧？我更喜欢b)因为并不总是被引用的人命名.

怎么开始？

我会先用一种类型替换所有类型的引号,这样你以后只需要检查一个引号.

<?php
$text = '';
$quote_marks = array('“', '”', '„', '»', '«');
$text = str_replace($quote_marks, '"', $text);
?>

然后我将提取包含3个以上空格的引号之间的所有短语：

<?php
function extract_quotations($text) {
   $result = preg_match_all('/"([^"]+)"/', $text, $found_quotations);
   if ($result == TRUE) {
      return $found_quotations;
      // check for count of blank spaces
   }
   return array();
}
?>

你怎么能改善这个？

我希望你能帮助我.非常感谢你提前！

解决方法:

正如ceejayoz已经指出的那样,这不适合单一功能.您在问题中描述的内容(检测句子的语法功能 – 即“我认为它是严重的并且正在恶化”,与“国家联盟”)将最好用图书馆解决这可以将自然语言分解为令牌.我不知道PHP中有任何这样的库,但你可以看一下你在python中使用的项目大小：http://www.nltk.org/

我认为您可以做的最好的事情是定义一组您手动验证的语法规则.这样的事情怎么样：

abstract class QuotationExtractor {

    protected static $instances;

    public static function getAllPossibleQuotations($string) {
        $possibleQuotations = array();
        foreach (self::$instances as $instance) {
            $possibleQuotations = array_merge(
                $possibleQuotations,
                $instance->extractQuotations($string)
            );
        }
        return $possibleQuotations;
    }

    public function __construct() {
        self::$instances[] = $this;
    }

    public abstract function extractQuotations($string);

}

class RegexExtractor extends QuotationExtractor {

    protected $rules;

    public function extractQuotations($string) {
        $quotes = array();
        foreach ($this->rules as $rule) {
            preg_match_all($rule[0], $string, $matches, PREG_SET_ORDER);
            foreach ($matches as $match) {
                $quotes[] = array(
                    'quote' => trim($match[$rule[1]]),
                    'cited' => trim($match[$rule[2]])
                );
            }
        }
        return $quotes;
    }

    public function addRule($regex, $quoteIndex, $authorIndex) {
        $this->rules[] = array($regex, $quoteIndex, $authorIndex);
    }

}

$regexExtractor = new RegexExtractor();
$regexExtractor->addRule('/"(.*?)[,.]?\h*"\h*said\h*(.*?)\./', 1, 2);
$regexExtractor->addRule('/"(.*?)\h*"(.*)said/', 1, 2);
$regexExtractor->addRule('/\.\h*(.*)(once)?\h*said[\-]*"(.*?)"/', 3, 1);

class AnotherExtractor extends Quot...

如果您具有上述结构,则可以通过其中任何/所有结构运行相同的文本,并列出可能的引用以选择正确的引用.我用这个线程运行代码作为测试输入,结果是：

array(4) {
  [0]=>
  array(2) {
    ["quote"]=>
    string(15) "Not necessarily"
    ["cited"]=>
    string(8) "ceejayoz"
  }
  [1]=>
  array(2) {
    ["quote"]=>
    string(28) "They think it's `game over,'"
    ["cited"]=>
    string(34) "one senior administration official"
  }
  [2]=>
  array(2) {
    ["quote"]=>
    string(46) "I think it is serious and it is deteriorating,"
    ["cited"]=>
    string(14) "Admiral Mullen"
  }
  [3]=>
  array(2) {
    ["quote"]=>
    string(16) "Not necessarily,"
    ["cited"]=>
    string(0) ""
  }
}

标签：php,regex,quotations
来源： https://codeday.me/bug/20190827/1742896.html