用Python智能解析具有组织信息的人员列表

Question

假设我有以下格式的明文：

John Doe，Suzy Q，Sue N. Sough和Michael Blanks，英国奇才大学 无名氏，普通地点，葡萄牙和苏西Q，另一个地方，法国 John和Suzy Q，第三地点，德国 约翰·多伊( John Doe )、苏西·Q( Suzy Q)和道格·Z·道格( Doug Z Doug )，第四地点，波兰和西蒙·Pft，第五地点，韩国

正确分析后，数据应该会读到如下内容：

[{
    'organization': "Wizards University",
    'country': "United Kingdom",
    'authors': ["John Doe", "Suzy Q", "Sue N. Sough", "Michael Blanks"]
}]


[ {
    'organization': "Normal Place",
    'country': "Portugal",
    'authors': ["John Doe"]
}, {
    'organization': "Other Place",
    'country': "France",
    'authors': ["Suzie Q"]
} ]


[{
    'organization': "Third Location",
    'country': "Germany",
    'authors': ["John Doe", "Suzy Q"]
}]


[ {
    'organization': "Fourth Location",
    'country': "Poland",
    'authors': ["John Doe", "Suzy Q", "Doug Z. Doug"]
}, {
    'organization': "Fifth Location",
    'country': "Korea",
    'authors': ["Simon Pft"]
} ]

对于一个人来说，看这篇文章并正确地解析它是非常微不足道的，但是我想知道是否有一种方法来写一个脚本，当它看到一堆列在一起的名字时，它是否可以阅读和识别。我的意思是，从一个只查找逗号和and的愚蠢解析器开始，

John Doe，Suzy Q，Sue N. Sough和Michael Blanks，英国奇才大学

看起来就像

无名氏，普通地点，葡萄牙和苏西Q，另一个地方，法国

可能会被解析：

[{
    'organization': "Suzy Q",
    'country': "Sue N. Sough",
    'authors': ["John Doe"]
} , {
    'organization': "Wizards University",
    'country': "United Kingdom",
    'authors': ["Michael Blanks"]
}]

关键和烦人的加法！

国家并不总是被给予(我知道！)特别是当它隐含在组织的名义中时。

所以有时候记录看起来是这样的：

John Doe，Suzy Q，Sue N. Sough和Michael Blanks，奇才大学 John Doe，葡萄牙大学和Suzy Q，其他地方，法国 John和Suzy Q，第三地点 约翰·多伊( John Doe )、苏西·Q( Suzy Q)和道格·Z·道格( Doug Z Doug )，波兰第四地点，韩国大学西蒙·Pft

因此，虽然我可能能够使用国名(它也是以非标准方式格式化的，例如韩国、韩国、大韩民国等)，但它并不适用于所有的记录。

我最后做的是…

…正在使用我所知道的最聪明的模式识别工具--我。我只是用正则表达式搜索和替换来扫描文档，查找\s*(,|&|\band\b)\s*，如果是在名称之间，我用|替换它，如果是在名称组之间，则用;替换它。幸运的是，数据集足够小(总数还不到100 )，花费的时间比我编写一个智能的解析器所花费的时间要少。我是从一个贝叶斯分类器开始的，它很好地区分了人的名字和组织，但是它仍然经常错误地识别其中一个，以至于它不会对我的目的起作用。

Answer 1

如果国家总是排在最后，而组织是前一个元素，那么您可以将其他人视为名称，也可以通过拆分‘和’&‘来轻松地编写一些代码。

Answer 2

我认为沙珊走在正确的轨道上。国家名称定义了一个单元的结束。最后一个令牌(用'，‘分隔开)是公司名称，其余的令牌都是名称。

如果在同一个国家有两个人公司的元组，就会打破这种情况，如：

无名氏，普通地方，苏西·Q，另一个地方，法国

此外，如果在您的文本中有逗号是公司名称的一部分。引号可以用来保护这些。

Answer 3

l=Line.split(",")
Row = {
    "Org": l[-2],
    "Ctry": l[-1],
    "Authors": l[:-2]
}