我正在编写一个程序来搜集来自多个网站的博客文章。我正试图从自由文本中提取他们的澳大利亚格式的电话号码。事实证明这是相当困难的。
以下是一些构建的博客文章示例：
示例1：
“你好，我的名字是Alicia我32岁，过去40年来一直住在布里斯班。我身高6英尺，是一名敏捷的跑步者。自2004年以来，我每周跑步2-3次。请随时致电+61（04）654 456或尝试我的其他电话0434 43 22 34。“
从这篇博文中我需要提取“04654456”和“0434432234”
示例2：
“我是乔，也喜欢跑步。身高7英尺，自2004年以来一直在努力。对于训练建议请致电043 572-6087或（02）1232 23 56.”
从这篇博文中我需要提取“0435726087和”0212322356“。
示例3：
“我的名字是Pricilla，我喜欢跑步。你可以拨打我的电话0 434 45 45 12，但请不要在凌晨12点之前致电（我的客户服务到10-11-ish）。我的许可证号是4335TE33和我用全新的6英寸轮胎驾驶2004 Ford Bronco。我可以跑28公里，但通常需要每3或4公里休息一次。今天打电话给我（04）3 445 4512“
从这篇博文中我需要提取“0434454512”。
我已经提出了一个非常复杂的系统，每个博客条目都会执行以下操作：
1）去除所有非数字字符，修剪并删除双空格
2）将字符串转换为数组。所以现在我们只有一系列数字，例如['0'，'434'，'45'，'45，'12'，'4335'，'33'，'2004'，'6'，'28'， '3'，'4'，'04'，'34'，'832'，'234]
3）迭代数组并应用规则将它拼凑在一起。这段代码很臃肿，而且不是很漂亮。
4）使用澳大利亚移动和陆线号码的RegExp模式验证结果
显然我已尝试使用正则表达式，但在这种情况下它们会失败很长时间。
我的系统大部分时间都在工作，但至少可以说代码并不是很好。
你会怎么攻击这个？
答案 0 :(得分：1)
您正在寻找的实际上是自然语言处理中的一个研究领域，即实体提取。有很多方法可以解决这个问题，有几个数学模型来解决这些问题，幸运的是有些工具包可以执行类似的任务 - OpenNLP和Stanford NER就是几个例子。它具有自动提取名称，日期，词性等的工具。您可以修改它以提取电话号码 - 有一点需要知道的是这些是统计模型（与规则相反，这是您当前的方法）所以你需要培训数据。
请注意，这可能需要对您当前正在进行的操作进行重大更改，因此可能会或可能不值得，但如果您要处理与非结构化文本中的实体提取相关的问题，则可能值得了解这些工具。
首先，我会查看OpenNLP / Stanford文档，了解您所寻找的内容是否可行。
答案 1 :(得分：0)
我会使用更简单的方法：
答案 2 :(得分：0)
我会选择正则表达式，因为如果你只使用所有数字，有时你得错了数字：
+49（0）7121 / 1229-276
应该读作当地的071211229276或国际的004971211229276。