我有一个由引文组成的手动输入文件，每个文件的格式为：
< S sid ="2" ssid ="2">它与之前基于机器学习的 NER 的不同之处在于它使用整个文档中的信息对每个单词进行分类，只需一个分类器。</S>< S sid =" 3" ssid = "3">以前的工作涉及从整个文档中收集信息，通常使用二级分类器，以纠正基于主要句子的分类器的错误。</S>
这是我目前使用 python 的 re 模块的方法：
citance = citance[citance.find(">")+1:citance.rfind("<")]
fd.write(citance+"\n")
我试图提取从第一个右尖括号（“>”）出现到最后一个左尖括号（“<”）的所有内容。但是，在多个引用的情况下，这种方法会失败，因为中间标签也会在输出中被提取：
它与之前基于机器学习的 NER 不同，它使用整个文档中的信息对每个单词进行分类，只需一个分类器。</S>< S sid ="3" ssid = "3">之前的工作涉及从整个文档中收集信息通常使用二级分类器，它可以纠正基于句子的主要分类器的错误。
我想要的输出：
它与之前基于机器学习的 NER 不同，它使用整个文档中的信息对每个单词进行分类，只使用一个分类器。以前的工作涉及从整个文档中收集信息，通常使用二级分类器来纠正主要基于句子的分类器的错误。
我该如何正确实施？
我会使用 python regex 模块：re通过这样做：
re.findall(r'\">(.*?)<', text_to_parse)
这个方法会从一个引号返回到多个引号，但是如果你想要一个统一的文本( " ".join(....))
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句