Python中相似行的解析

Question

我有大约200个出版物引用，我正试图将它们解析为具有不同标题的列。每个出版物大约有200个字符长，用逗号分隔需要分析的不同字段。字段包括：期刊、标题、主要作者和作者。你知道吗

以下是出版物参考示例：

J.Doe、B.Smith、G.J.Martin、Phillip Jones。示例出版物标题，示例期刊，v.1002010，第C12000页。你知道吗

最后应该放弃

    Journal: Example Journal    

    Title: Example Publication Title    

    Lead Author: J. Doe    

    Authors: J. Doe, B. Smith, G.J Martin, Phillip Jones    

以下是20个例子： https://docs.google.com/spreadsheets/d/1PRtIUobmjKxF7g9v5a9tzbfstec8P8JWhV7uyv_aMM0/edit?pref=2&pli=1#gid=0

我遇到的问题是，许多出版物的差异很小。有些人有三个正式的J.Doe，B.Smith，G.J.Martin。。。有些人只有两个作者的形式乔多伊，乔治乔马丁。所以有些作者可以用名字缩写，有时不用。你知道吗

我需要将上面提到的所有字段解析为具有各自标题的列。你知道吗

Answer 1

我可以尝试使用nameparser模块来解析名称：https://pypi.python.org/pypi/nameparser

然后看看它是否不能解析一个名字，并假设这就是标题？你知道吗

Answer 2

这里有一个正则表达式，它可以得到其中的大部分。它利用了authors字段（几乎）总是以

and Last Author.

或者很少

& Last Author

这是正则表达式。它符合你提供的17/20。它不匹配的3不使用上述作者约定。此外，在出版物包含,的情况下，标题/出版物也会出错

就像Potsdam, Germany。最好的办法可能是修复与作者约定不匹配的少数引用（在最后一位作者之前插入一个and），并手动修复出现错误的少数标题出版物。你知道吗

^(.+ (?:and|&) (?:(?:[A-Z]\.-?)+ [A-Z][a-z]+\.{1,2}|[A-Z][a-z]+(?:, (?:[A-Z]\.)+\.?))) (.+),(.+), (v\..+), (\d{4}), (p\.\s*.*)\.$

Here is an example使用你给出的20个例子。你知道吗