我正在尝试从包含时间，地点和名称的网页中解析实体。我读了一些关于自然语言处理和实体提取的内容，但我不确定我是否正走错路，所以我在这里问。
我还没有开始实现任何东西，所以如果某些开源库只适合特定语言，那就没关系。
很多时候，数据不会在句子中找到，而是在列表等html结构中找到（例如
网页的结构将大不相同（有些可能会使用列表，有些可能会将它们放在表格中等）。
我可以研究哪些主题以了解如何实现这一目标？ 是否有任何开源库在进行实体提取时会考虑html的结构？ 从机器视觉中提取这些（名称，时间，地点）实体是否会更好（甚至可能），其中CSS样式可以更容易区分非结构化文本的重要部分（名称，时间，位置）？
关于我可以研究的主题/开源项目的任何指导都会对我有所帮助。
答案 0 :(得分：1)
许多编程语言都有外部库，可以从各种格式生成规范的日期戳（例如，使用SimpleDateFormat在Java中）。正如你所说，网页的结构会有很大的不同，但是日期只能用少量的变体来表达，所以记下几个（比方说，半打）格式的正则表达式启用从大多数（如果不是全部）HTML页面中提取日期。
然而，提取地点和名称更加困难。这是自然语言处理必须进入的地方。您正在寻找的是Named Entity Recognition系统。最好的开源NER系统之一是Standford NER。在使用之前，您应该查看他们的online demo。该演示有三个分类器（英语），您可以选择。对于我的大多数任务，我发现他们的english.all.3class.distsim分类器非常准确。
请注意，当您提取的地点和名称出现在句子中时，NER表现良好。如果它们将出现在HTML标签中，这种方法可能不会非常有用。