仅基于大写从文本中提取命名实体的正则表达式
Regular Expression to extract Named Entities from text just based on capitalization
我想要 Python 中的正则表达式，它提取一次或多次出现的以大写字母开头的单词，除非该单词出现在第一个单词中。我知道这不是一种稳健且一致的方法，但它会解决我的问题，因为我不想使用任何统计方法（例如，在 NLTK 或 StanfordNER 中）。
示例：
extract('His name is John Wayne.')
应该return['John Wayne'].
extract('He is The President of Neverland.')
应该 return ['The President', 'Neverland'] 因为它们是大写的单词并且不会出现在句子的开头。
另一个例子：
extract('He came home. Although late, it was nice to have Patrick there.')
应该 return ['Patrick'] 因为 'He' 和 'Although' 出现在句子的开头。
它也可以删除标点符号，例如 'He was John, who came' 应该 return 'John' 而不是 'John,'.
你可以使用这个表达式来完成这个任务：
(?<!\.\s)(?!^)\b([A-Z]\w*(?:\s+[A-Z]\w*)*)
正则表达式分解：
(?<!\.\s) - 否定回顾断言我们没有 DOT 和 space 之前 (?!^) - 否定前瞻断言我们不在开始\b - 字边界( - 开始捕获组
[A-Z]\w* - 匹配以大写字母开头的单词(?: - 启动非捕获组
\s+ - 匹配 1 个或多个白色spaces[A-Z]\w* - 匹配大写字母单词
)* 结束非捕获组。匹配 0 个或更多
) - 结束捕获组
我想要 Python 中的正则表达式，它提取一次或多次出现的以大写字母开头的单词，除非该单词出现在第一个单词中。我知道这不是一种稳健且一致的方法，但它会解决我的问题，因为我不想使用任何统计方法（例如，在 NLTK 或 StanfordNER 中）。
示例：
extract('His name is John Wayne.')
应该return['John Wayne'].
extract('He is The President of Neverland.')
应该 return ['The President', 'Neverland'] 因为它们是大写的单词并且不会出现在句子的开头。
另一个例子：
extract('He came home. Although late, it was nice to have Patrick there.')
应该 return ['Patrick'] 因为 'He' 和 'Although' 出现在句子的开头。
它也可以删除标点符号，例如 'He was John, who came' 应该 return 'John' 而不是 'John,'.
你可以使用这个表达式来完成这个任务：
(?<!\.\s)(?!^)\b([A-Z]\w*(?:\s+[A-Z]\w*)*)
正则表达式分解：
(?<!\.\s)- 否定回顾断言我们没有 DOT 和 space 之前(?!^)- 否定前瞻断言我们不在开始\b- 字边界(- 开始捕获组[A-Z]\w*- 匹配以大写字母开头的单词(?:- 启动非捕获组\s+- 匹配 1 个或多个白色spaces[A-Z]\w*- 匹配大写字母单词
)*结束非捕获组。匹配 0 个或更多
)- 结束捕获组