我正在尝试从文本blob中过滤名称。目前我只是生成一个单词列表并手动过滤它但我已经有大约8k字了，所以我正在寻找更好的方法。我可以抓住一本字典并过滤掉它们，但这样可以剔除像史密斯和悬崖这样的名字。
我需要的是以下任何一种：
我想到他们之间，我可以组合黑名单/白名单来获得我需要的东西。
答案 0 :(得分：5)
美国人口普查名单：http://www.census.gov/genealogy/www/
无论如何，这应该让你对这个问题有一个角度。
已修改 已更改的网址，以下是关于网页移动的评论。没人相信HTTP 302了吗？
答案 1 :(得分：2)
我在Quora找到的帖子
CMU的NELL项目从网上收集了大量专有名词，并按类型对其进行了分类。您可以通过以下网址在线浏览：NELL KnowledgeBase Browser并下载数据：Resources & Data。
网络抓取结果，例如，personUS似乎比我所做的更有效，这是从标记为＆＃34; person＆＃34;的短语中提取名单的列表。在他们的大标签分隔的CSV文件中。无论哪种方式，你都会使用正则表达式。