如何从文本中提取引用（PHP）？

Question

如何从文本中提取引用（PHP）？

phpregexquotations

3

你好！

我想从文本中提取所有引用，此外还应提取被引用人的姓名。DayLife做得非常好。

示例：

“他们认为‘游戏结束了’，”一位高级行政官员说。

应提取短语他们认为“游戏结束了”和被引用人一位高级行政官员。

你觉得这可能吗？只有在检查是否提到被引用人时，才能区分引用和引号中的单词。

示例：

“我认为情况严重，正在恶化，”穆伦上将周日在CNN的“国情咨文”节目上说。

短语国情咨文不是引语。但是如何检测？a) 检查是否提到了被引用的人。 b) 计算所谓引语中的空格数。如果空格少于3个，则不会是引语，对吗？我更喜欢b)，因为并不总是有被引用的人。

如何开始？

我首先会将所有引号替换为单一类型，以便稍后只需检查一个引号标记。

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

然后，我会提取所有包含超过3个空格的引号之间的短语：

<?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();
}
?>

你如何改进这个问题？

希望你能帮我。非常感谢！

- caw

也许 $text = preg_replace('/([“”"'»«])(.+?)\1/', '"\2"', $text); 给我们一个输入和期望的输出示例。 - Havenard

3

这种自然语言解析不太可能适应一个简单的函数。如果想要得到良好的结果，它很快就会变得非常复杂。 - ceejayoz

@Havenard：例子已经在问题中了。;) 请看“例子”段落。你的代码应该做什么？我不明白。 - caw

3个回答

3

如果少于3个空格，它就不会是一个引用，对吗？ "不一定，" ceejayoz说。如何检测“国情咨文”这一段不是引用呢？ a）检查是否提到了引用的人物；b）计算所谓引文中的空格数。如果少于3个空格，它就不是引用，对吗？我更喜欢b），因为并不总是有一个被引用的人名。但b）甚至都不能用于这个例子-“国情咨文”中有3个空格。

- ceejayoz

“不一定。”哦，是的，当然，你说得对。:) 但通常情况下不会只有一个。如果只有一个，那么通常它也不会很重要，对吧？b）可以增加到4！？ - caw

@marco92w和“#LK$#@^”通常不会在内存中找到，那么为什么不使用它们来分隔缓存中的块呢？ - Lucas Oman

我知道会有一些例外情况。但是我不需要找到全部引用。如果我能找到90%的引用，我会很高兴。 - caw

0

引用总是有标点符号——要么是在结尾处加上逗号，表示说话者的姓名或头衔将随之而来，要么是句子的结尾（.!?）。

- Lucas Oman

许多非引语也会这样。"总统向国会发表的年度演讲被称为“国情咨文”。" - ceejayoz

1

@ceejayoz：你引用的字符串没有以标点符号结尾。包含它的句子已经有了。引用将在引号内部具有标点符号。 - Lucas Oman

是的，我认为这可以帮助找到报价。 - caw

1

@Lucas Oman - 在美国是这样的。在英国皇家英语中，如果标点符号不适用于引语，则只有在逻辑上有意义时才将其放在引号内。否则，它应该放在外面。 - ceejayoz

很遗憾，这也不适用于其他语言。但是标点符号只是其中的一部分。您可以轻松地为每种语言实现标点符号分析。 - caw

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- soulmerge · Accepted Answer

正如ceejayoz所指出的那样，这无法适合单个函数。您在问题中描述的内容（检测句子中引用部分的语法功能-例如，“我认为它很严重并且正在恶化”，与“联合国大会”）最好使用可以将自然语言分解为标记的库来解决。我不知道PHP中是否有这样的库，但是您可以查看在Python中使用的一些项目的大小：http://www.nltk.org/ 我认为您能做的最好的事情就是定义一组手动验证的语法规则。像这样的东西怎么样：

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...

如果您有像上面这样的结构，可以将相同的文本运行到任意/所有中，并列出可能的引用以选择正确的引用。我已经使用此线程作为输入进行了测试，结果如下：

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) ""
  }
}