信息提取工具包

Question

我正在寻找信息提取库，我可以获得可能具有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。

我正在构建一个工具，我可以在浏览器中选择文本，并且它将生成（通过某些Web服务调用）可用于其他文档以提取文本的分类器。

我主要看看如何使用文档的结构来指示内容是什么。

Answer 1

听起来像你正在寻找某种类型的html解析器生成器。有一个Web服务（我不记得它的名字）可以让你选择页面上的区域，并且会生成xpath解析规则，但是我不确定它的工作效果如何，或者即使它仍然存在。

通常，如果您可以编写代码，最简单的方法就是自己编写解析器。我推荐BeautifulSoup或lxml。