过滤大量文本中的信息

Question

是否有最佳实践，算法或软件（需要许可许可的开源......）可以从文本正文中查找信息？我指的是：

• 查找文字中的所有电子邮件地址
• 查找所有城市提及
• 找到所有州的提及
• 找到所有网址
• 找到所有提及的电话号码
• 找到所有提到的zipcodes ......能够添加更多......

我听说RapidMiner应该能够像这样进行文本挖掘，但AGPL不是我可接受的许可证。

进行这种分析有什么“标准”吗？

Answer 1

了解Named Entity Recognition。您可以尝试Apache OpenNLP或Apache UIMA，两者都具有Apache许可证。

Answer 2

对于此类实体类型，您可以使用基于规则的NER工具，例如gexp。