使用Python正则表达式从字符串中提取名称

Question

我一直在尝试从字符串中提取姓名，但似乎离成功还很遥远。

以下是代码:

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))

这是我得到的输出：

['Moe Szyslak', 'Timothy Lovejoy', 'Ned Flanders', 'Julius Hibbert']

- MQaiser

Answer 1

即使在英语中，提取人名也非常困难。下面的正则表达式可以解决您特定的问题，但可能无法处理其他输入（例如，它无法捕获带破折号的姓名）：

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']

并带有标题:

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']

作为附注，只有在计划重复使用正则表达式时才需要进行编译。

- DYZ

---

非常感谢，先生。但是我如何获取头衔？博士、牧师等。 - MQaiser

你在问题中从未提到标题。请查看更新的答案。 - DYZ

Answer 2

花式正则表达式需要时间来构建，且难以维护。在这种情况下，我倾向于保持简单：

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

输出结果：

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

如果空格是一个问题，可以使用过滤器：list(filter(str.strip,list))

- gregory

---

但是有些名称确实带有破折号，请保留它们。 - DYZ

Answer 3

这里有一种方法，使用零宽度回顾来隔离每个名称：

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']

实际匹配的模式是这样的：

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

这段文字意思是匹配任何大写或小写字母、点号或句号，后跟一个空格和一个或多个相同字符，零次或多次。

此外，我们在此模式的左侧和右侧使用以下环视：

(?:(?<=^)|(?<=[^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

- Tim Biegeleisen

Answer 4

我使用spacy在短时间内提取实例名称的实体。使用spacy，您可以依赖预训练的语言模型，这些模型具有关于常见名称和头衔的大量知识。

1. 步骤：设置spacy并下载预训练的英语语言模型 import spacy
import en_core_web_sm nlp = en_core_web_sm.load()

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

3. 步骤：获取标记为人的文档中所有令牌的标签 print([(X.text, X.label_) for X in doc.ents if X.label_ == PERSON])

- Lena

---

（555，555，C. Montgomery555，Timothy Lovejoy555，Flanders636，555，Julius Hibbert）- 看起来不对。 - DYZ