information-extraction - 信息提取工具包

Question

我正在寻找信息提取库，我可以在其中拥有可能包含隐藏或不完整数据的半结构化信息。我想训练一些分类器根据结构提取内容。

我正在构建一个可以在浏览器中选择文本的工具，它将生成（通过一些 Web 服务调用）一个分类器，该分类器可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

听起来您正在寻找某种 html 解析器生成器。有一个 Web 服务（我不记得它的名字）可以让您选择页面上的区域，并会生成 xpath 解析规则，但我不确定它的工作情况如何，或者即使它仍然存在。

一般来说，如果你会写代码，你自己写一个解析器是最简单的。我推荐BeautifulSoup或lxml。