从自由文本中提取 phone 个数字
Extracting phone numbers from free text
我正在编写一个程序，从许多网站上抓取博客 post。我正在尝试从自由文本中提取澳大利亚格式的 phone 号码。这已被证明是相当困难的。
这里有几个构建博客post的例子：
示例 1：
"Hello, my name is Alicia I'm 32 and have lived in Brisbane for the past 40 years. I'm 6" 高大敏捷 运行 小伙子。自 2004 年以来，我每周运行宁 2-3 次。请随时拨打 +61 (04) 654 456 或试试我的其他号码 0434 43 22 34。"
从这个博客post我需要提取“04654456”和“0434432234”
示例 2：
"I'm Joe and also love running. Standing 7" 英尺高，自 2004 年以来一直在努力。如需培训建议，请致电 043 572-6087 或 (02) 1232 23 56。"
从此博客post我需要提取“0435726087 和”0212322356。
示例 3：
"My name is Pricilla and I love running. You can reach me on 0 434 45 45 12, but don't call before 12 am pls (I got clients up until 10-11-ish). My license number is 4335TE33 and I drive a 2004 Ford Bronco with brand new 6" 轮胎。我可以 运行 28 公里，但通常每 3 或 4 公里需要休息一下。今天给我打电话 (04) 3 445 4512"
从这个博客post我需要提取“0434454512”。
我想出了一个相当复杂的系统，每个博客条目都执行以下操作：
1) 剥离所有非数字字符，修剪并删除双空格
2) 将字符串转换为数组。所以现在我们只有一个数字数组，例如 ['0', '434', '45', '45, '12', '4335', '33', '2004', '6', '28', '3'、'4'、'04'、'34'、'832'、'234]
3) 遍历数字数组并应用规则将其拼凑在一起。这段代码臃肿不美观
4) 使用澳大利亚移动和固定电话号码的 RegExp 模式验证结果
显然我尝试过使用正则表达式，但在这种情况下它们失败了很多次。
我的系统大部分时间都能正常工作，但至少可以说代码并不漂亮。
你会如何攻击它？
我会使用更简单的方法：
- 尽可能删除空格、逗号、括号和任何其他符号。
- 使用正则表达式匹配一行中与澳大利亚 phone 号码长度相匹配的 X 位数字。
您要查找的实际上是自然语言处理中已知的实体提取研究领域。有很多方法可以解决这个问题，也有几个数学模型可以解决这些任务，幸运的是，有可用的工具包可以完成类似的任务——OpenNLP and Stanford NER 是几个例子。它具有自动提取名称、日期、词性等的工具。您可以修改它以提取 phone 数字 - 要知道的一件事是这些是统计模型（与基于规则相反，这是您的当前方法）所以你需要训练数据。
请注意，这可能需要对您当前正在做的事情进行重大更改，因此它可能值得也可能不值得，但如果您要处理与从非结构化文本中提取实体相关的此类问题，则可能值得了解这些工具。
我会首先查看 OpenNLP/Stanford 文档，看看您正在寻找的东西是否可行。
我会选择正则表达式，因为如果你只使用所有数字，有时你会得到错误的数字：
+49 (0) 7121 / 1229-276
应该读作本地 071211229276 或国际读作 004971211229276。
我正在编写一个程序，从许多网站上抓取博客 post。我正在尝试从自由文本中提取澳大利亚格式的 phone 号码。这已被证明是相当困难的。
这里有几个构建博客post的例子：
示例 1：
"Hello, my name is Alicia I'm 32 and have lived in Brisbane for the past 40 years. I'm 6" 高大敏捷 运行 小伙子。自 2004 年以来，我每周运行宁 2-3 次。请随时拨打 +61 (04) 654 456 或试试我的其他号码 0434 43 22 34。"
从这个博客post我需要提取“04654456”和“0434432234”
示例 2：
"I'm Joe and also love running. Standing 7" 英尺高，自 2004 年以来一直在努力。如需培训建议，请致电 043 572-6087 或 (02) 1232 23 56。"
从此博客post我需要提取“0435726087 和”0212322356。
示例 3：
"My name is Pricilla and I love running. You can reach me on 0 434 45 45 12, but don't call before 12 am pls (I got clients up until 10-11-ish). My license number is 4335TE33 and I drive a 2004 Ford Bronco with brand new 6" 轮胎。我可以 运行 28 公里，但通常每 3 或 4 公里需要休息一下。今天给我打电话 (04) 3 445 4512"
从这个博客post我需要提取“0434454512”。
我想出了一个相当复杂的系统，每个博客条目都执行以下操作：
1) 剥离所有非数字字符，修剪并删除双空格
2) 将字符串转换为数组。所以现在我们只有一个数字数组，例如 ['0', '434', '45', '45, '12', '4335', '33', '2004', '6', '28', '3'、'4'、'04'、'34'、'832'、'234]
3) 遍历数字数组并应用规则将其拼凑在一起。这段代码臃肿不美观
4) 使用澳大利亚移动和固定电话号码的 RegExp 模式验证结果
显然我尝试过使用正则表达式，但在这种情况下它们失败了很多次。
我的系统大部分时间都能正常工作，但至少可以说代码并不漂亮。
你会如何攻击它？
我会使用更简单的方法：
- 尽可能删除空格、逗号、括号和任何其他符号。
- 使用正则表达式匹配一行中与澳大利亚 phone 号码长度相匹配的 X 位数字。
您要查找的实际上是自然语言处理中已知的实体提取研究领域。有很多方法可以解决这个问题，也有几个数学模型可以解决这些任务，幸运的是，有可用的工具包可以完成类似的任务——OpenNLP and Stanford NER 是几个例子。它具有自动提取名称、日期、词性等的工具。您可以修改它以提取 phone 数字 - 要知道的一件事是这些是统计模型（与基于规则相反，这是您的当前方法）所以你需要训练数据。
请注意，这可能需要对您当前正在做的事情进行重大更改，因此它可能值得也可能不值得，但如果您要处理与从非结构化文本中提取实体相关的此类问题，则可能值得了解这些工具。
我会首先查看 OpenNLP/Stanford 文档，看看您正在寻找的东西是否可行。
我会选择正则表达式，因为如果你只使用所有数字，有时你会得到错误的数字：
+49 (0) 7121 / 1229-276
应该读作本地 071211229276 或国际读作 004971211229276。