从字符串中提取业务名称和时间段

Question

我正在使用Python从路透社中提取有关某些公司的信息。我已经从此页那里得到了军官/行政人员的姓名、传记和报酬。

现在，我想从传记部分摘取以前的职位头衔和公司，其内容如下：

Donald T. Grimes先生自2008年5月起担任狼獾公司高级副总裁、首席财务官和财务主任。2007年至2008年，他担任Keystone汽车运营公司执行副总裁兼首席财务官，该公司是汽车配件和设备的经销商。在Keystone之前，Grimes先生在Brown-Forman公司担任了一系列高级公司和部门的财务职务，该公司是高档葡萄酒和烈酒的制造商和销售商。在布朗福曼任职期间，格里姆斯先生于2006年至2007年担任副总裁兼饮料财务总监；2003年至2006年任公司规划和分析主任副总裁；1999年至2003年任布朗福曼精神美国公司高级副总裁兼首席财务官。

我可以使用简单的regex来获取开始和年份，但我不知道如何写regex来获得标题和公司名称。我知道字符串格式不一致，所以我会接受至少70%的情况下有效的答案。这是我想要的输出：

2007-2008, executive vice president and chief financial officer, Keystone Automotive operations

Answer 1

您试图解决的问题是众所周知的，您会发现大量的研究论文描述了方法和算法，如果您在google上搜索“命名实体提取”和“关系提取”这两个术语的话，那么一些好的起点是：

• 这本书的第7章“用Python进行自然语言处理”，实际上整本书可能会有帮助。在线章节
• 本文是关于“使用Wikipedia进行命名实体关系挖掘”的
• 本文以"dd关系挖掘的新算法“为例，描述了挖掘职称和组织。

这些只是我发现有趣的几个链接，有更多的，也许比这些更好的链接，但这应该会让你开始。

Answer 2

我不认为会有一个单一的正则表达式，你可以使用这一点，除非它真的很讨厌。我认为解决这个问题的方法可能是自然语言处理。当然有这样的包，但是使用它们可能并不简单。

本质上，你想用"X是/曾经Y“这样的句子，找出哪一部分是名字，哪一部分是职位列表，哪些部分是无关的。也许要寻找大写或小单词，如“和”和" of“的单词序列？

(?:\u\w+)( (?:\u\w*)|(?:of)|(?:and))*  #Note the space

\u意味着下一个单一字符( \w+组的第一个字符)是大写的。还没有测试过，但似乎应该能用。这可能是一个重要的问题。