用多种语言提取法院文件引文

Question

我有20,000多份法庭文件，我想从其中提取具体的数据:日期，文件编号，判决。我正在使用Python和Regex来执行此操作。

判决采用三种语言(德语、法语和意大利语)，其中一些语言的格式略有不同。我正在尝试为各种数据点开发函数，这些数据点考虑到了这一点和不同的语言。

我觉得我的功能很笨拙。有没有人有更多的琵琶方法来开发这些功能？

def gericht(doc):
    Gericht = re.findall(
       r"Beschwerde gegen [a-z]+ [A-Z][a-züöä]+ ([^\n\n]*)", doc)
    Gericht1 = re.findall(
       r"Beschwerde nach [A-Za-z]. [0-9]+ [a-z]+. [A-Z]+ [a-z]+ [a-z]+[A-Za-z]+ [a-z]+ [0-9]+. [A-Za-z]+ [0-9]+ ([^\n\n]*)", doc)
    Gericht2 = re.findall(
       r"Revisionsgesuch gegen das Urteil ([^\n\n]*)", doc)
    Gericht3 = re.findall(
       r"Urteil des ([^\n\n]*)", doc)
    Gericht_it = re.findall(
       r"ricorso contro la sentenza emanata il [0-9]+ [a-z]+ [0-9]+ [a-z]+ ([^\n\n]*)", doc)
    Gericht_fr = re.findall(
       r"recours contre l'arrêt ([^\n\n]*)", doc)
    Gericht_fr_1 = re.findall(
       r"recours contre le jugement ([^\n\n]*)", doc)
    Gericht_fr_2 = re.findall(
       r"demande de révision de l'arrêt ([^\n\n]*)", doc)

    try:
       if Gericht != None:
          return Gericht[0]
    except:
         None

    try:
       if Gericht1 != None:
          return Gericht1[0]
    except:
        None

    try:
       if Gericht2 != None:
          return Gericht2[0]
    except:
       None

    try:
       if Gericht3 != None:
          return Gericht3[0]
    except:
       None

    try:
      if Gericht_it != None:
          return Gericht_it[0]
    except:
      None

    try:
     if Gericht_fr != None:
       Gericht_fr = Gericht_fr[0].replace('de la ', '').replace('du ', '')
         return Gericht_fr
    except:
      None

   try:
       if Gericht_fr_1 != None:
           Gericht_fr_1 = Gericht_fr_1[0].replace('de la ', '').replace('du ', '')
           return Gericht_fr_1
   except:
       None

   try:
      if Gericht_fr_2 != None:
         Gericht_fr_2 = Gericht_fr_2[0].replace('de la ', '').replace('du ', '')
         return Gericht_fr_2
   except:
       None

Answer 1

总是使用4个空格作为缩进；3，4和5。如果你是一个空格外，那么它可以打破你的代码，所以这真的很重要。

您对所有不同的正则表达式都做了大致相同的操作，因此您应该使用循环中的公共代码遍历regexes。但是，我会更改您的公共代码，使其不替换de la或du，并且不需要try-except，因为您可以检查gericht是否真实，因此如果是None或空数组，则不会对其进行索引。采取：

REGEXES = [
    r"Beschwerde gegen [a-z]+ [A-Z][a-züöä]+ ([^\n\n]*)",
    r"Beschwerde nach [A-Za-z]. [0-9]+ [a-z]+. [A-Z]+ [a-z]+ [a-z]+[A-Za-z]+ [a-z]+ [0-9]+. [A-Za-z]+ [0-9]+ ([^\n\n]*)",
    r"Revisionsgesuch gegen das Urteil ([^\n\n]*)",
    r"Urteil des ([^\n\n]*)",
    r"ricorso contro la sentenza emanata il [0-9]+ [a-z]+ [0-9]+ [a-z]+ ([^\n\n]*)",
    r"recours contre l'arrêt ([^\n\n]*)",
    r"recours contre le jugement ([^\n\n]*)",
    r"demande de révision de l'arrêt ([^\n\n]*)",
]

def gericht(doc):
    for regex in REGEXES:
        gericht = re.findall(regex, doc)
        if gericht:
            return gericht[0]

但是，这是不必要地在文档中查找正则表达式的所有项，这不是您想要的。你只想要第一个。要在不编辑正则表达式的情况下做到这一点，您可以使用itertools.chain并使用re.finditer。这能让你：

from itertools import chain

def gericht(doc):
    gericht = next(chain.from_iterable(re.finditer(r, doc) for r in REGEXES), None)
    if gericht is not None:
        return gericht.group(0)

您可能会更改这一点，将所有正则表达式与|合并在一起，但这样就不会将第一个正则表达式优先于其他正则表达式。可与以下方面合作：

def gericht(doc):
    gericht = next(re.finditer('|'.join(REGEXES), doc), None)
    if gericht is not None:
        return gericht.group(0)

但我对雷克斯不太在行。