Extraction d'informations spécifiques à partir de données

Question

Comment puis-je convertir un format de données tel que :

James Smith was born on November 17, 1948

en quelque chose comme

("James Smith", DOB, "November 17, 1948")

sans avoir à se fier à l'index positionnel des chaînes de caractères

J'ai essayé ce qui suit

from nltk import word_tokenize, pos_tag

new = "James Smith was born on November 17, 1948"
sentences = word_tokenize(new)
sentences = pos_tag(sentences)
grammar = "Chunk: {<NNP*><NNP*>}"
cp = nltk.RegexpParser(grammar)
result = cp.parse(sentences)
print(result)

Comment procéder pour obtenir le résultat dans le format souhaité.

Answer 1

Diviser la chaîne avec "est né le" après avoir coupé les espaces et l'assigner au nom et à l'âge.

Answer 2

Vous pouvez toujours utiliser des expressions régulières. La regex (\S+)\s(\S+)\s\bwas born on\b\s(\S+)\s(\S+),\s(\S+) correspondra et renverra des données provenant spécifiquement du format de chaîne ci-dessus.

Le voici en action : https://regex101.com/r/W2ykKS/1

Regex en python :

import re

regex = r"(\S+)\s(\S+)\s\bwas born on\b\s(\S+)\s(\S+),\s(\S+)"
test_str = "James Smith was born on November 17, 1948"

matches = re.search(regex, test_str)

# group 0 in a regex is the input string

print(matches.group(1)) # James
print(matches.group(2)) # Smith
print(matches.group(3)) # November
print(matches.group(4)) # 17
print(matches.group(5)) # 1948