信息抽取工具包

Question

我正在寻找信息提取库，在那里我可以拥有半结构化的信息，这些信息可能包含隐藏的或不完整的数据。我想训练一些分类器来根据结构提取内容。

我正在构建一个工具，我可以在其中选择浏览器中的文本，它将(通过一些web服务调用)生成一个分类器，该分类器可以用于其他文档以提取文本。

我主要研究如何使用文档的结构来指示内容是什么。

Answer 1

听起来你在找某种html解析器生成器。有一个web服务(我记不起它的名字了)，它可以让你选择页面上的区域，并生成xpath解析规则，但我不确定它有多好用，甚至不知道它是否仍然存在。

一般来说，如果你会写代码，最简单的方法就是自己写一个解析器。我推荐BeautifulSoup或lxml。