正则抽取与解析说明文档

抽取 E-mail

extract_email

抽取文本中的 E-mail 信息，并返回其在文本中的位置offset，以及所属域名domain_name。

>>> import jionlp as jio
>>> text = '请发简历至[email protected]。' 
>>> emails = jio.extract_email(text, detail=True))

#  [{'text': '[email protected]', 
#    'offset': [6, 18], 
#    'domain_name': '163'},

暂不支持带中文字符的邮箱名称。

货币金额解析

parse_money

配合jio.ner.extract_moneyjio.ner.extract_money说明使用。

解析货币金额字符串，并将其转换为标准数字格式。

货币金额解析在线试用

>>> import jionlp as jio
>>> text_list = ['约4.287亿美元', '两个亿卢布', '六十四万零一百四十三元一角七分', '3000多欧元'] 
>>> moneys = [jio.parse_money(text) for text in text_list]

# 约4.287亿美元: {'num': '428700000.00', 'case': '美元', 'definition': 'blur'}
# 两个亿卢布: {'num': '200000000.00', 'case': '卢布', 'definition': 'accurate'}
# 六十四万零一百四十三元一角七分: {'num': '640143.17', 'case': '元', 'definition': 'accurate'}
# 3000多欧元: {'num': ['3000.00', '4000.00'], 'case': '欧元', 'definition': 'blur'}

支持标准数字格式，如：1,034,192.07元
支持纯数字格式，如：987273.3美元
支持大写中文金额，如：柒仟六佰零弎萬肆仟叁佰贰拾壹元伍分
支持混合格式，如：1.26万港元
支持修饰词解析，如：将近6万块钱、至少1000块钱以上
支持模糊金额解析，如：两万多元钱，6千多亿日元
支持口语化中文格式，如：三十五块三毛；但对于“三十五块八”这样的字符串，在文本中存在歧义，如“三十五块八颗糖”等，因此，jio.ner.extract_money 对于此字符串不予抽取，但parse_money可以将“三十五块八”看作完整的口语化金额，标准化为“35.80元”
支持多种常见货币类型：人民币，港元，澳门元，美元，日元，澳元，韩元，卢布，英镑，马克，法郎，欧元，加元, 泰铢等。

抽取电话号码

extract_phone_number

抽取文本中的电话号码信息，并返回其在文本中的位置offset，以及电话号码类别type，包括手机（cell_phone）和座机（landline_phone）。

>>> import jionlp as jio
>>> text = '有疑问请联系张小姐18340234920，或拨打(028)58291283。。' 
>>> phones = jio.extract_phone_number(text, detail=True))

# [{'text': '18340234920', 
#    'offset': [9, 18], 
#    'type': 'cell_phone'}, 
#   {'text': '(028)58291283', 
#    'offset': [24, 35], 
#    'type': 'landline_phone'}]

支持解析手机号码归属地和座机区号归属地解析，须配合 jio.phone_location 使用

抽取 QQ

extract_qq

抽取文本中的 QQ 号，由于qq号特征不突出，故分为严格和非严格两种，默认 strict 为 True。

# 例 1
>>> import jionlp as jio
>>> text = '你加一下我的QQ: 123410942' 
>>> res = jio.extract_qq(text, detail=True))
>>> print(res)

# [{'text': '123410942', 'offset': [11, 18]}]

# 例 2

>>> text = '收纳金额为123410942元，进而导致...'
>>> res = jionlp.extract_qq(text, detail=True)
>>> print(res)

# []

QQ 号特征不突出指的是 11位的 QQ 号会和 11位的电话号码，甚至其它数据格式等混淆
宽松规则指符合 QQ 号特征的号码全部抽取，可能造成一定的混淆
严格规则指在满足 QQ 号本身特征基础上，文本须包含 qq、QQ、加Q 等字样

抽取微信号

extract_wechat_id

抽取文本中的微信号，由于微信号特征不突出，很容易和一些字母、数字字符串混淆，故分为严格和非严格两种，默认 strict 为 True。

# 例 1
>>> import jionlp as jio
>>> text = '请添加我的微信号dongrixinyu89，然后回复关注' 
>>> res = jio.extract_wechat_id(text, detail=True))
>>> print(res)

# [{'text': 'dongrixinyu89', 'offset': (8, 21)}]

# 例 2

>>> text = '请添加我的号dongrixinyu89，然后回复关注'
>>> res = jionlp.extract_qq(text, detail=True, strict=True)
>>> print(res)

# []

微信号特征不突出指的是其会和其它常见的字母数字字符串混淆，甚至其它数据格式等混淆。微信官方定义的微信号规则：
1、可使用6-20个字母、数字、下划线和减号； 2、必须以字母开头（字母不区分大小写）； 3、不支持设置中文。
宽松规则指符合微信号特征的号码全部抽取，可能造成一定的混淆，非常不建议这样做。
严格规则指在满足微信号本身特征基础上，文本须包含 微信：、wx:、wechat: 等字样

抽取身份证号

extract_id_card

抽取文本中的身份证号，与 jionlp.parse_id_card 函数配合使用解析身份证号中的地址、出生年月、性别、校验码等信息

>>> text = '此人身份证号是 21040319560330098x，曾经...'
>>> res = jionlp.extract_id_card(text, detail=True)
>>> print(res)

# [{'text': '21040319560330098x', 'offset': [9, 25]}]

>>> res = jionlp.parse_id_card(res[0]['text'])

抽取 URL 超链接

extract_url

抽取文本中的超链接，包括 http、https、ftp 等类型。

>>> text = '让我这个手机知乎党来终结这个问题吧!http://link.ipaiban.com/#手机文字链接生成器!'
>>> res = jionlp.extract_id_card(text, detail=False)
>>> print(res)

# ['http://link.ipaiban.com/']

抽取车牌号

extract_motor_vehicle_licence_plate

抽取文本中的车牌号，仅限于大陆车牌号，具体详情及类型参阅print(jio.extract_motor_vehicle_licence_plate.__doc__)。

>>> import jionlp as jio
>>> text = '那车牌号多少来着？川A·23047B最近10分钟'
>>> res = jio.extract_motor_vehicle_licence_plate(text, detail=False)
>>> print(res)

# ['川A·23047B']

该方法抽取到车牌号后，可配合jio.parse_motor_vehicle_licence_plate 方法进行车牌号解析。

抽取 IP 地址

extract_ip_address

抽取文本中的 ip 地址，仅限于 ipv4。

>>> text = '链接ip地址你知道吗？是0.0.0.0!'
>>> res = jionlp.extract_ip_address(text, detail=False)
>>> print(res)

# ['0.0.0.0']

支持判断 ip 地址值介于 0~255 之间，超过则不会返回结果

抽取文本括号信息

extract_parentheses

抽取文本中的括号中的内容，括号类型主要包括 {}「」[]【】()（）<>《》

>>> text = '【重磅新闻】特朗普选举失利'
>>> res = jionlp.extract_parentheses(text)
>>> print(res)

# ['【重磅新闻】']

若括号仅只有半个，则不做处理，如“【重磅新闻，特朗普选举失利”
parentheses参数默认为{}「」[]【】()（）<>《》，可根据需要进行指定，如仅抽取书报名时，可指定为《》

删除文本中的 E-mail

remove_email

删除文本中的 E-mail 信息，一般用于将其当做无关噪声，处理分析数据。

>>> text = '张晨星[email protected]，现在电子邮件可以带中文了吗？'
>>> res = jionlp.remove_email(text)
>>> print(res)

# '张晨星，现在电子邮件可以带中文了吗？'

从该例中可知，不支持电子邮件的中文格式。

删除文本括号信息

remove_parentheses

删除文本中的括号中的内容，括号类型主要包括 {}「」[]【】()（）<>《》

>>> text = '【重磅新闻】特朗普选举失利'
>>> res = jionlp.remove_parentheses(text)
>>> print(res)

# ['特朗普选举失利']

若括号仅只有半个，则不做处理

删除文本中的 URL

remove_url

删除文本中的 url 信息，一般用于将其当做无关噪声，处理分析数据。

>>> text = '让我这个手机知乎党来终结这个问题吧!http://link.ipaiban.com/#手机文字链接生成器!'
>>> res = jionlp.remove_url(text)
>>> print(res)

# '让我这个手机知乎党来终结这个问题吧!#手机文字链接生成器!'

若整个字符串全部为 URL，则仅返回空字符串

删除文本中的 IP 地址

remove_ip_address

删除文本中的 IP 信息，一般用于将其当做无关噪声，处理分析数据。

>>> text = 'https://10.28.104.169/pdf/2004.03705.pdf'
>>> res = jionlp.remove_ip_address(text)
>>> print(res)

# 'https:///pdf/2004.03705.pdf'

一般首先删除 URL，然后删除 IP 地址。否则可能如上例造成 URL 格式错误。

删除文本中的身份证号

remove_id_card

删除文本中的身份证信息，一般用于将其当做无关噪声，处理分析数据。

>>> text = '此人身份证号是 21040319560330098x，曾经...'
>>> res = jionlp.remove_id_card(text)
>>> print(res)

# '此人身份证号是 ，曾经...'

删除文本中的 QQ 号

remove_qq

删除文本中的 QQ 号信息，一般用于将其当做无关噪声，处理分析数据。

>>> text = '你加一下我的QQ: 123410942'
>>> res = jionlp.remove_qq(text)
>>> print(res)

# '你加一下我的QQ: '

该方法中提供了严格匹配 qq 字符的规则，采用 strict(bool) 参数实现

删除文本中的 html 标签

remove_html_tag

删除文本中的 html 信息，一般用于将其当做无关噪声，处理分析数据。

>>> text = '''<!-- '"` -->中国<!-- </textarea>美国经济风险</xmp> -->go to the airport<form class="logout-form" action="/logout" accept-charset="UTF-8" method="post">'''
>>> res = jionlp.remove_html_tag(text)
>>> print(res)

# '中国<!-- 美国经济风险 -->go to the airport'

该方法中无法删除包含有中文字符的 html 标签，出于此类标签依然包含有效信息的考虑。

删除电话号码

remove_phone_number

删除文本中的电话号码信息

>>> import jionlp as jio
>>> text = '有疑问请联系张小姐18340234920，或拨打(028)58291283。。' 
>>> phones = jio.remove_phone_number(text))

# '有疑问请联系张小姐，或拨打。。'

删除文本中的异常字符

remove_exception_char

删除文本中的异常字符，一般用于剔除无关噪声，处理分析数据。

>>> text = '''中国人民坚强伟大√~~'''
>>> res = jionlp.remove_exception_char(text)
>>> print(res)

# '中国人民坚强伟大~~'

该方法默认保留常用的标点、英文字母、多种形式编码的数字（如全角１２，①等）、常用数学物理单位，汉字集。
该方法默认删除不常见的符号（如︻Ù等）、日文、俄文、希腊字母、不常见的数学物理单位与运算符。不常见的中文字符。unicode 编码的扩展集等。
正则表达式位于 JioNLP/jionlp/rule/JioNLP/jionlp/rule 中的 EXCEPTION_PATTERN，如有特殊需求可以自行修改。

删除文本中的冗余字符

remove_redundant_char

删除文本中的冗余字符，一般用于剔除冗余噪声，处理分析数据。

>>> text = '''那个家伙巨搞笑，笑死我啦哈哈哈哈哈哈哈哈哈~~~~~~~~~'''
>>> res = jionlp.remove_redundant_char(text)
>>> print(res)

# '那个家伙巨搞笑，笑死我啦哈~'

该方法默认对冗余字符仅保留一个。
该方法默认redundant_chars 为关键字参数，用于指定自定义的冗余字符集。若不指定，则加载默认的冗余字符集。
默认的冗余字符集位于 JioNLP/jionlp/rule/JioNLP/jionlp/rule 中的 REDUNDANT_PATTERN，如有特殊需求可以自行修改。

清洗文本

clean_text

清洗文本，步骤包括去除 html 标签、去除异常字符、去除冗余字符、去除括号补充内容、去除 URL、去除 E-mail、去除电话号码，将全角字母数字空格替换为半角，一般用于将其当做无关噪声，处理分析数据。

>>> text = '''<p><br></p>       <p><span>在17日举行的十三届全国人大一次会议记者会上，环境保护部部长李干杰就“打好污染防治攻坚战”相关问题回答记者提问。李干杰表示
，打好污染防治攻坚战，未来将聚焦“围绕三类目标，突出三大领域，强化三个基础”开展具体工作。</span></p><p><span>顶层设计聚焦“三个三”</span></p><p><span>党的十八大以来>，我国生态环境保护工作乃至整个生态文明建设工作，决心之大、力度之大、成效之大前所未有，取得了历史性成就，发生了历史性变革。（责任编辑：唐小林）联系电话：13302130583，邮箱：[email protected]~~~~'''
>>> res = jionlp.clean_text(text)
>>> print(res)
>>> print(jionlp.clean_text.__doc__)

# ' 在17日举行的十三届全国人大一次会议记者会上，环境保护部部长李干杰就“打好污染防治攻坚战”相关问题回答记者提问。李干杰表示，打好污染防治攻坚战，未来将
聚焦“围绕三类目标，突出三大领域，强化三个基础”开展具体工作。顶层设计聚焦“三个三”党的十八大以来，我国生态环境保护工作乃至整个生态文明建设工作，决心之大、力度之大、>成效之大前所未有，取得了历史性成就，发生了历史性变革。联系电话：，邮箱：~'

去除异常字符主要指由于非 UTF-8 编码造成的异常字符，如“板簳浠?拷涔”等
去除冗余字符主要指文本中有多个连续的空格，“~~~~”等重复冗余信息，缩减为1个字符。
该方法中的所有关键字参数均为 bool 型，支持选择控制是否去除相应类型的数据

金额数字转汉字

money_nnum2char

给定一条数字金额，返回其汉字大写结果。

>>> import jionlp as jio
>>> num = 120402810.03
>>> print(jio.money_num2char(num, sim_or_tra='tra'))
>>> num = '38,009.0'
>>> print(jio.money_num2char(num, sim_or_tra='sim'))

# 壹亿贰仟零肆拾萬贰仟捌佰壹拾點零叁
# 三万八千零九

sim_or_tra('sim'|'tra')参数控制返回的汉字数字为“一”或“壹”。
最多支持12位整数位数字，即“千亿”

归一化文本中的 E-mail

replace_email

替换文本中的 E-mail 信息为一个归一化 token，一般用于模型的预处理，保持类似于 Bert 的统一的 token 风格，去除数据噪声。

>>> text = '张晨星[email protected]，现在电子邮件可以带中文了吗？'
>>> res = jionlp.replace_email(text)
>>> print(res)

# '张晨星<url>，现在电子邮件可以带中文了吗？'

从该例中可知，不支持电子邮件的中文格式
<url>可以用于 Bert 的统一输入。

归一化电话号码

replace_phone_number

归一化文本中的电话号码信息为一个归一化 token，一般用于模型的预处理，保持类似于 Bert 的统一的 token 风格，去除数据噪声。

>>> import jionlp as jio
>>> text = '有疑问请联系张小姐18340234920，或拨打(028)58291283。。' 
>>> phones = jio.replace_phone_number(text))

# '有疑问请联系张小姐<tel>，或拨打<tel>。。'

默认 token 为<tel>。

归一化文本中的 QQ 号

replace_qq

归一化文本中的 QQ 号码信息为一个归一化 token，一般用于模型的预处理，保持类似于 Bert 的统一的 token 风格，去除数据噪声。

>>> text = '你加一下我的QQ: 123410942'
>>> res = jionlp.replace_qq(text)
>>> print(res)

# '你加一下我的QQ: <qq>'

该方法中提供了严格匹配 qq 字符的规则，采用 strict(bool) 参数实现；
默认 token 为 <qq>。

归一化文本中的身份证号

replace_id_card

归一化文本中的身份证ID 号码信息为一个归一化 token，一般用于模型的预处理，保持类似于 Bert 的统一的 token 风格，去除数据噪声。

>>> text = '此人身份证号是 21040319560330098x，曾经...'
>>> res = jionlp.replace_id_card(text)
>>> print(res)

# '此人身份证号是 <id>，曾经...'

默认 token 为 <id>

归一化文本中的 URL

replace_url

归一化文本中的 URL 号码信息为一个归一化 token，一般用于模型的预处理，保持类似于 Bert 的统一的 token 风格，去除数据噪声。

>>> text = '让我这个手机知乎党来终结这个问题吧!http://link.ipaiban.com/#手机文字链接生成器!'
>>> res = jionlp.replace_url(text)
>>> print(res)

# '让我这个手机知乎党来终结这个问题吧!<url>#手机文字链接生成器!'

默认 token 为 <url>

归一化文本中的 IP 地址

replace_ip_address

归一化文本中的 IP 地址信息为一个归一化 token，一般用于模型的预处理，保持类似于 Bert 的统一的 token 风格，去除数据噪声。

>>> text = 'https://10.28.104.169/pdf/2004.03705.pdf'
>>> res = jionlp.replace_ip_address(text)
>>> print(res)

# 'https://<ip>/pdf/2004.03705.pdf'

默认 token 为 <ip>
一般首先删除 URL，然后删除 IP 地址。否则可能如上例造成 URL 格式错误。

正则抽取与解析 说明文档