我正在编写一个程序，从多个网站上抓取博客文章。我正在尝试从免费文本中提取他们的澳大利亚格式的电话号码。事实证明这相当困难。
以下是一些构建的博客文章示例:
示例1:
“您好，我叫艾丽西亚 (Alicia)，今年 32 岁，过去 40 年来一直住在布里斯类。我高度 6 英寸，是一名敏捷的运行者。自2004年以来，我每周运行2-3次。请随时调用 +61 (04) 654 456 或尝试调用我的其他号码 0434 43 22 34。”
从这篇博文中，我需要提取“04654456”和“0434432234”
示例2:
“我是 Joe，也喜欢运行。高度 7 英寸，自 2004 年以来一直在运行。如需训练建议，请调用 043 572-6087 或 (02) 1232 23 56。”
从这篇博文中，我需要提取“0435726087 和”0212322356”。
示例3:
“我叫 Pricilla，我喜欢运行。您可以调用 0 434 45 45 12 联系我，但请不要在上午 12 点之前调用(我的客户直到 10 点至 11 点左右)。我的驾照号码是4335TE33 和我驾驶一辆 2004 款福特 Bronco，配备全新 6 英寸轮胎。我可以跑28公里，但通常每3或4公里需要休息一次。今天给我打电话 (04) 3 445 4512"
从这篇博文中我需要提取“0434454512”。
我想出了一个相当复杂的系统，每个博客条目都会执行以下操作:
1) 去掉所有非数字字符， trim 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) 迭代数字数组并应用规则将其拼凑在一起。这段代码比较臃肿而且不太漂亮。
4) 使用澳大利亚手机和固定电话号码的正则表达式模式验证结果
显然我已经尝试过使用正则表达式，但在这种情况下它们失败了。
我的系统大部分时间都可以工作，但至少可以说代码并不漂亮。
你会如何攻击这个？
最佳答案
您正在寻找的实际上是自然语言处理的一个研究领域，即实体提取。有许多方法可以解决该问题，也有多种数学模型可以解决此类任务，幸运的是，有可用的工具包可以执行类似的任务 - OpenNLP和 Stanford NER这是几个例子。它具有自动提取姓名、日期、词性等的工具。您也许可以修改它以提取电话号码 - 需要知道的一件事是这些是统计模型(与您当前的基于规则的方法相反)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，因此可能值得也可能不值得，但如果您要解决与从非结构化文本中提取实体相关的此类问题，那么可能值得了解一下这些工具。
我会首先查看 OpenNLP/Stanford 文档，看看您正在寻找的内容是否可行。
关于javascript - 从自由文本中提取电话号码，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/31800141/