从文本中提取规格列表（未知格式）

Question

我如何从未知格式的产品描述中提取规范（有时它是无序列表，有时它是 br-element 等）但它在前面看起来总是一样的。

视觉效果是这样的：

Some description text, somethimes it is one sentence, sometimes more..

== sometimes here's an empty line, sometimes is not ==

spec item1

spec item2

有没有办法在 PHP 中提取“通过视觉”？

示例：

<h2> desc <br>
<br>
&gt; <strong> T Shirt</strong><br>
&gt; Breathable mesh fabric<br>
&gt; Reflective detail<br>
&gt; Flat lock seams <br>

Answer 1

这可以通过 file_get_contents() 和一些正则表达式处理来完成。请确保在 PHP.ini (fopen URL wrappers)

中启用了正确的设置

参考： http://php.net/manual/en/filesystem.configuration.php

示例代码：

<?php

$page = file_get_contents('Provide your url here');

preg_match("/regex pattern here/", $page, $agent_name);

// display agent name matches
print_r($agent_name)

个人建议 - 使用 python 会简化流程。许多软件包已经可用于此目的。例如- bs4

Answer 2

您可以尝试过滤您的条目。我已经设法将您的示例放入数组中。结果会有点争论：

<?php

$html =<<<HTML
<h2> desc </h2>
<br>
&gt; <strong> T Shirt</strong><br>
&gt; Breathable mesh fabric<br>
&gt; Reflective detail<br>
&gt; Flat lock seams <br>
HTML;

$no_html       = strip_tags($html);
$no_entities   = preg_replace('/&#?[a-z0-9]+;/i', '', $no_html);
$parts         = preg_split('/\R/', $no_entities);
$trimmed_parts = array_map('trim', $parts);
var_export($trimmed_parts);

输出：

array (
    0 => 'desc',
    1 => '',
    2 => 'T Shirt',
    3 => 'Breathable mesh fabric',
    4 => 'Reflective detail',
    5 => 'Flat lock seams',
)

从文本中提取规格列表（未知格式）

Extract specification list from text (unknown format)

php

text

information-extraction