如何从没有html类的单行文本中提取信息？

Question

我正在尝试使用scrapy和Python我需要提取的信息如下： -正在招聘的公司的名称 -公司所在地 -广告所针对的职位

页面中的这些字段没有单独的标记html。和文本没有特定的模式。 例如 Zerocate（YC W11）正在SF招聘一名首席工程师：必须热爱美食

单靠Regex不足以提取这些信息。这个问题有没有什么简单有效的解决办法？你知道吗

我试过python正则表达式。我还研究了NLP和使用nltk的文本分类。但是nltk会增加代码的复杂性，而且非常耗时。你知道吗

Answer 1

在这种情况下，我要做的是找到任何模式来帮助我提取这些数据， 例如，我可以看到这些单词是frequency"is hiring|is looking for|is looking to hire|hiring"，公司名称排在第一位，位置排在in之后：

这只是一个小的尝试，你可以扩展它来得到你需要的

import re
text = """ZeroCater (YC W11) Is Hiring a Principal Engineer in SF: Must Love Food (zerocater.com)
OneSignal Is Hiring Full Stack Engineers in San Mateo (onesignal.com)
Faire (YC W17) Is Looking to Hire Business Operations Leads (greenhouse.io)
InsideSherpa (YC W19) Is Hiring Software Engineers in Sydney (workable.com)
Jerry (YC S17) Is Hiring Senior Software Dev, Data Engineer (Toronto/Remote) (getjerry.com)
Iris Automation Is Hiring an Account Executive for B2B Flying Vehicle Software (irisonboard.com)"""

data = text.lower().splitlines()

for i, line in enumerate(data):
    # getting company name
    data[i] = re.split(r'is hiring|is looking for|is looking to hire|hiring', line)

    # job title and location if present
    data[i][1] = re.split(r' in ', data[i][1])

print('company  - Job Title  - Location')
for c in data:
    print(f'{c[0]}  - {c[1][0]}  - {c[1][1] if len(c[1])>1 else ""}')

输出：

company  - Job Title  - Location
zerocater (yc w11)   -  a principal engineer  - sf: must love food (zerocater.com)
onesignal   -  full stack engineers  - san mateo (onesignal.com)
faire (yc w17)   -  business operations leads (greenhouse.io)  - 
insidesherpa (yc w19)   -  software engineers  - sydney (workable.com)
jerry (yc s17)   -  senior software dev, data engineer (toronto/remote) (getjerry.com)  - 
iris automation   -  an account executive for b2b flying vehicle software (irisonboard.com)  - 

当然，这段代码需要很多修改才能得到可靠的结果，但至少这是一个开始