使用 Stanford CoreNLP 提取电子邮件地址、phone 个数字

Question

我一直在寻找使用 Stanford CoreNLP (RegexNERAnnotator) 从文本中提取电子邮件地址、phone 数字...的解决方案。任何人都可以提供任何例子吗？

更新：2015 年 4 月 11 日： 实际上，我应该问问 Stanford RegexNERAnnotator 是否有办法支持 Java 正则表达式。

用法示例：

       final String EMAIL_PATTERN = 
            "^[_A-Za-z0-9-\+]+(\.[_A-Za-z0-9-]+)*@"
            + "[A-Za-z0-9-]+(\.[A-Za-z0-9]+)*(\.[A-Za-z]{2,})$";

       List<CoreLabel> tokens = ...;
       TokenSequencePattern pattern = TokenSequencePattern.compile(EMAIL_PATTERN);
       TokenSequenceMatcher matcher = pattern.getMatcher(tokens);

       while (matcher.find()) {
         String matchedString = matcher.group();
         List<CoreMap> matchedTokens = matcher.groupNodes();
         ...
       }

好像不支持Java正则表达式：

Exception in thread "main" edu.stanford.nlp.ling.tokensregex.parser.TokenMgrError: Lexical error at line 1, column 1.  Encountered: "^" (94), after : ""
    at edu.stanford.nlp.ling.tokensregex.parser.TokenSequenceParserTokenManager.getNextToken(TokenSequenceParserTokenManager.java:1029)
    at edu.stanford.nlp.ling.tokensregex.parser.TokenSequenceParser.jj_ntk(TokenSequenceParser.java:3228)
    at edu.stanford.nlp.ling.tokensregex.parser.TokenSequenceParser.SeqRegexBasic(TokenSequenceParser.java:784)
    at edu.stanford.nlp.ling.tokensregex.parser.TokenSequenceParser.SeqRegexDisjConj(TokenSequenceParser.java:973)
    at edu.stanford.nlp.ling.tokensregex.parser.TokenSequenceParser.SeqRegex(TokenSequenceParser.java:743)
    at edu.stanford.nlp.ling.tokensregex.parser.TokenSequenceParser.SeqRegexWithAction(TokenSequenceParser.java:1596)
    at edu.stanford.nlp.ling.tokensregex.parser.TokenSequenceParser.parseSequenceWithAction(TokenSequenceParser.java:37)
    at edu.stanford.nlp.ling.tokensregex.TokenSequencePattern.compile(TokenSequencePattern.java:186)
    at edu.stanford.nlp.ling.tokensregex.TokenSequencePattern.compile(TokenSequencePattern.java:169)

Answer 1

Whosebug 不是提供教程甚至示例的地方。但是，似乎常规正则表达式应该可以工作，即使不需要 RegexNER。通过一些谷歌搜索，查看电子邮件的 Using a regular expression to validate an email address。 Phone 数字应该像以下长而简单的正则表达式一样简单：

(\+[0-9]{1,2}(\s*|-)?)?(\(?[0-9]{3}\)?)?(\s*|-)[0-9]{3}(\s*|-)[0-9]{4}

我的猜测是 Stanford Tokenizer 的标记化会使这变得更难而不是更容易。

使用 Stanford CoreNLP 提取电子邮件地址、phone 个数字

Extracting email addresses, phone numbers using Stanford CoreNLP

nlp

stanford-nlp