Question

我试图将文本解析为我创建的数据模型，特别是来自RPG书籍的怪物。我从pdf中提取文本，它看起来像这样：

Dire Rat
From age to age, dire rats vary in size. In this age, they're only half
as big as they sometimes get, but they're also twice as vicious.
1
st
 level mook [beast ]
Initiative: +2
Infected bite +5 vs. AC-4 ongoing damage
AC 15
PD 15  HP 6 (mook)
MD 10
Mook: Kill one dire rat mook for every 6 damage you deal to the mob.

这是我想要的数据模型，碰巧用C＃编写：

public interface IMonsterData
    {
        string Name { get; }
        int Level { get; set; }
        string Role { get; set; }
        string Type { get; set; }
        int Initiative { get; set; }
        int ArmorClass { get; set; }
        int PhysicalDefense { get; set; }
        int MentalDefense { get; set; }
        int HealthPoints { get; set; }
    }

期望的结果如下所示：

Name = Dire Rat
Level = 1
Role = mook
Type = beast
Initiative = 2
ArmourClass = 15
PhysicalDefense = 15
MentalDefense = 10
HealthPoints = 6

源文本将这些怪物散布在一本书的一部分中，因此大多数页面都没有怪物，然后是一个带有怪物的部分。有些是适合页面的，有些是分开的，但我不认为这很重要，因为我已经使用我找到的工具将所有文本作为字符串解析出来。

我通过使用C＃和.Net手动解析来解决这个问题，通过查找只有＆＃34; st，nd，rd，th＆＃34;并在这些行之间找到AC，PD，但我觉得这是一个很好的案例，可以通过Text Mining或其他形式的机器学习来解决。

问题是我对机器学习或从文本挖掘中使用的正确算法知之甚少，而且我只能在不知道任何关键词的情况下进行谷歌搜索。

我应该使用哪种类型的库，算法或类似方法来实现我的目标？

Answer 1

这看起来像一个古老的正则表达式要解决的案例。我按照以下方式处理：

从您迄今为止能够抓取的任何内容中过滤掉无用的记录（不包含相关字段的记录）。
将每个相关记录展平成一行，这样很容易用正则表达式查询解析。
尝试使用正则表达式查询构建器，例如 this提取字段并将其放入模型中。

将文本解析为数据模型

1 个答案: