从文本中提取特定信息

Question

我想从一个文本文件中获取一些数据。我决定使用自然语言工具包来实现，但如果有更好的方法，我也乐意听听。

这里有个例子：

我需要从纽约（NY）飞往旧金山（CA）。

从这段文字中，我想提取出出发地和目的地的城市和州。

这是我目前的进展：

import nltk
from nltk.text import *
from nltk.corpus import PlaintextCorpusReader

def readfiles():    
    corpus_root = 'C:\prototype\emails'
    w = PlaintextCorpusReader(corpus_root, '.*')
    t = Text(w.words())
    print "--- to ----"
    print t.concordance("to")

    print "--- from ----"
    print t.concordance("from")

我可以从某个输入（在我的情况下是文件）中读取文本，然后使用一致性方法来找到所有的用法。我想提取出在“to”和“from”后面的城市和州的信息。

我的问题是，如何才能最好地查看“to”和“from”后面的文本呢？

Answer 1

也许你可以考虑一行一行地读取文件？
这样做的话，可以用这么简单的方式：

cityState = dataAfterTo.split(",")
city = cityState[0]
state = cityState[1].split()[0]

当然，如果你处理的是用户生成的内容，那就另当别论了。