Python 3.3：处理 inlineXML答案

【问题标题】：Python 3.3: Process inlineXMLPython 3.3：处理 inlineXML
【发布时间】：2013-03-29 10:59:17
【问题描述】：

在尝试使用 stanford NRE 工具标记命名实体时，我得到了这种输出：

A jury in <ORGANIZATION>Marion County Superior Court</ORGANIZATION> was expected to begin deliberations in the case on <DATE>Wednesday</DATE> or <DATE>Thursday</DATE>.

当然，处理任何没有根的 XML 是行不通的，所以我添加了这个：

<root>A jury in <ORGANIZATION>Marion County Superior Court</ORGANIZATION> was expected to begin deliberations in the case on <DATE>Wednesday</DATE> or <DATE>Thursday</DATE>.</root>

我尝试使用这种方法构建一棵树：stripping inline tags with python's lxml，但它不起作用...它在tree = etree.fromstring(text) 行产生此错误：

lxml.etree.XMLSyntaxError: xmlParseEntityRef: no name, line 1, column 1793

有人知道这个的解决方案吗？或者也许是另一种方法，它允许我从任何带有 inlineXML 标记的文本构建树，只保留标记的标记并删除/忽略文本的其余部分。

【问题讨论】：

您要解析的实际“XML”的第 1793 列是什么？ &?
根据 python (text[1793])，它是字母 'e'。文本中有多个 & 符号，第一个出现在 1953 年。

标签： python-3.x xml-parsing stanford-nlp inline-xml

【解决方案1】：

最后我没有使用解析器或树，而是使用了正则表达式。这是运行良好且快速的代码：

import re
NER = ['TIME','LOCATION','ORGANISATION','PERSON','MONEY','PERCENT','DATA']
entities = {}
for cat in NER:
    regex_cat = re.compile('<'+cat+'>(.*?)</'+cat+'>')
    entities[cat] = re.findall(regex_cat,data)

这里的data 只是一串文本。它使用正则表达式查找在NER 中指定的类别的所有实体，并将其作为列表存储在字典中。这可用于所有 inlineXML 字符串，其中 NER 只是字符串中所有可能标记的列表。

【讨论】：