假设我有以下格式的明文：
John Doe、Suzy Q、Sue N. Sough 和 Michael Blanks，奇才大学，英国
John Doe，Normal Place，葡萄牙和 Suzy Q，Other Place，法国
John Doe 和 Suzy Q，第三地点，德国
John Doe、Suzy Q 和 Doug Z Doug，第四地点，波兰和 Simon Pft，第五地点，韩国
正确解析后，数据应如下所示：
[{
'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"]
} ]
人类查看这段文本并正确解析它是非常微不足道的，但我想知道是否有一种方法可以编写一个脚本，当它正在查看一堆一起列出的名称时，它可以阅读和识别。我的意思是，从一个只查找逗号和ands 的愚蠢解析器开始，
John Doe、Suzy Q、Sue N. Sough 和 Michael Blanks，奇才大学，英国
看起来就像
John Doe，Normal Place，葡萄牙和 Suzy Q，Other Place，法国
并且可以这样解析：
[{
'organization': "Suzy Q",
'country': "Sue N. Sough",
'authors': ["John Doe"]
} , {
'organization': "Wizards University",
'country': "United Kingdom",
'authors': ["Michael Blanks"]
}]
关键和烦人的补充！
并不总是给出国家（呃，我知道！），尤其是当它隐含在组织名称中时。
所以有时记录看起来像：
John Doe、Suzy Q、Sue N. Sough 和 Michael Blanks，奇才大学
葡萄牙大学的 John Doe 和法国其他地方的 Suzy Q
John Doe 和 Suzy Q，第三个地点
John Doe、Suzy Q 和 Doug Z Doug，第四地点，波兰和 Simon Pft，高丽大学
因此，虽然我可以将国家名称（也以非标准方式格式化，例如韩国、韩国、大韩民国等）用于某些记录，但它并不适用于所有记录。
我最终做了什么……</h3>
…正在使用我所知道的最聪明的模式识别工具——我。我只是用一个正则表达式搜索和替换来扫描文档，\s*(,|&|\band\b)\s*如果它在我替换它|的名称之间，如果它在我替换它的名称组之间;。幸运的是，数据集足够小（总共不到 100 个），所花费的时间少于我编写一个足够智能的解析器所花费的时间。我确实开始使用贝叶斯分类器，它在区分人名和组织方面做得很好，但它仍然经常错误地识别一个或另一个，以至于它不适合我的目的。