我有两个网站，我手中有数据，现在我想用该数据进行分析
我有两个产品名称（品牌+产品名称）我想只提取品牌名称
http://www.thehut.com/jeans-clothing/men/clothing/brave-soul-men-s-cardiff-jeans-denim/10741907.html
在上述网站中，产品名称为
Brave Soul Men's Swansea Jeans - Denim
品牌名称是
Brave Soul
所以我只想要
Brave Soul
亚马逊网络链接
http://www.amazon.in/gp/product/B00L8WT2UI
同样在上述网站中，产品名称为
Apple iPhone 5c (White, 8GB)
品牌名称是
Apple
所以我希望输出像
Brave Soul
Apple
答案 0 :(得分：3)
您尝试获取的信息实际上并不存在。
如果你带两个字符串，两个字符串可能有任意数量的空格，并用空格将它们连接在一起，就不能再明确地告诉哪个空格正在连接这两个字符串，以及哪个空格是部分字符串。
所以，你有几个选择：
首先，每个产品中都没有 许多空格，因此您可以尝试所有可能性：品牌Brave和产品Soul Men's Swansea Jeans - Denim，然后品牌Brave Soul和产品Men's Swansea Jeans - Denim，然后是品牌Brave Soul Men's和产品Swansea Jeans - Denim，依此类推其他3种可能性。
其次，如果您可以从其他地方抓取所有品牌名称的列表并将其存储在set（或数据库表或其他任何内容）中，您可以预先过滤这些可能性，然后再对其进行全部尝试。对亚马逊的网络请求缓慢。例如，如果您有所有品牌的列表，只需检查Brave，Brave Soul，Brave Soul Men's，Brave Soul Men's Swansea等中的哪些是实际品牌，并且只测试那些。
与此同时，这仍然不会是完美的，因为几乎可以肯定有些模糊不清的案例。例如，有一个品牌Apple，还有一个品牌Apple Records，那么当您尝试拆分Apple Records Master Collection时会发生什么？你有两种有效的可能性，而不仅仅是一种。您所能做的就是设计代码以某种方式处理（以及您正确执行的单元测试）。
答案 1 :(得分：0)
我不会在这里尝试提出具体的算法，但我想指出，即使在无监督的情况下，拥有足够大的此类字符串数据库，也可以发现某些模式（即信息实际存在）。首先，品牌名称将以多个字符串重复，并且始终是字符串的前缀。这个假设将在分离的位置上提供强有力的先验。其次，可以通过学习潜在品牌假设和产品名称之间的关联来攻击模糊案例（苹果记录）（例如，只要苹果不产生记录，并且有一个强有力的假设，即苹果记录是一个品牌，因为它重复多次，这种歧义可以成功解决）。