如何使用NLTK从文本中提取引文

Question

我有一个项目，我需要从一大堆文章中提取引文。在这里，引用我的意思是人们所说的事情，例如：Alen说“要提取的文本”。我正在使用NLTK来完成其他与NLP相关的任务，因此使用NLTK或任何类型的Python库的任何解决方案都非常有用。

谢谢

Answer 1

正如Mayur所提到的，你可以做一个正则表达式来获取引号之间的所有内容

list = re.findall("\".*?\"", string)

您遇到的问题是，引号之间可能存在大量令人惊讶的事实，实际上并非引用。

如果你正在做学术文章，你可以在收尾报价后查找一个数字来获取脚注编号。还有非学术文章，也许你可以运行类似的东西：

"(said|writes|argues|concludes)(,)? \".?\""

可以更精确，但是有可能失去诸如blockquotes之类的引号（blockquotes会引起你的问题，因为它们可以在结束引号前包含换行符）

至于使用NLTK，我无法想到除了wordnet之外还有其他任何帮助，可以找到＆＃34;＆＃34;的同义词。

Answer 2

这符合模式，即您要查找的数据始终在引号""之间。简而言之，您可以使用regex进行模式匹配。 我们举个例子she said " DAS A SDASD sdasdasd SADSD", " SA23 DSD " ASDAS "ASDAS1 3123$ %$%"

适用于基本示例的正则表达式是 -

list = re.findall("\".*?\"", string)

List为我们提供['" DAS A SDASD SADASD SADSD"', '" SA23 DSD "', '"ASDAS1 3123$ %$%"']

此处，.*?匹配任何字符（换行符除外），并且模式字面匹配引号（开始\"和结束\"）。

请注意引号内的引号会破坏此代码。你不会得到预期的输出。