我有300k + html文檔，我想從中提取郵政地址。數據是不同的結構，所以正則表達式不會工作。這是什麼叫，通過NLP從HTML中提取地址
我已經做了一堆關於Python的NLP和NLTK的閱讀，但是我仍然在從這裏開始苦苦掙扎。
此方法是否稱爲詞性標註或分塊/部分分析？我找不到任何關於如何實際標記頁面的文檔，以便我可以對它進行培訓，甚至可以培訓我應該培訓的內容。
所以我的問題;
蘋果稱之爲他們的軟件，這是否「數據檢測」（注意，它的專利 - 他們贏得了injunction對HTC的Android手機在這一點）。更一般地說，我認爲這個應用程序被稱爲Information Extraction。
將文本從HTML頁面中除去（除非有一種方法可以從HTML中識別地址文本，例如具有特定類的div），然後構建一組與所使用的地址格式相匹配的規則。
如果在幾個國家有郵政地址，那麼格式可能會有明顯的不同，但在一個國家內，格式是一樣的（有些調整），或者它是無效的。
例如，在美國，地址是3或4行（包括該人）。通常有一個郵政編碼（5個數字後面跟着4個）。其他國家有不同格式的郵政編碼。
除非您的目標對所有地址都是100％的準確性，否則您可能應該在任務的預算內儘可能多地提取地址。
它似乎並不像NLP任務，除非你想使用命名實體識別找到城市，國家等
你的任務是叫信息提取，但是這是一個非常，非常寬泛的概念。幸運的是你的任務更有限（街道地址），但是你不會提供很多信息：
什麼國家的地址在？東京的地址與克利夫蘭的地址非常不同。如果您對有限數量的國家/地區的地址感興趣，那麼您的成功機率會更好 - 您可以從每個國家開發解決方案。如果我們正在談論非常有限的號碼，您可以編碼識別器manually。
我們在討論什麼樣的網頁？它們是一個隨機集合，還是可以將它們分組成有限數量的網站和格式？地址在哪裏出現？ （即，在那裏你可以用它來零上他們的任何上下文線索？）
我帶你去一個更壞的情況是問題2：該頁面是完全不同的，並且地址可以在任何地方。不知道藝術的狀態是什麼，但我會把它看作是一個塊狀問題。
要獲得任何體面的結果，您需要一套訓練集。至少，大收集來自相同位置的地址，並且採用與您要提取的地址相同的樣式（非正式，不完整，完整）。然後，你可以嘗試哄騙體面的表現（可能是後期處理）。
PS。我不會放棄HTML標記。它包含有關可能有用的文檔結構的信息。在添加html標記之前，我會添加結構標記（段落，重點，標題，列表，顯示）。
Qn：哪個NLP任務與此任務密切相關？
答案：檢測郵政地址的任務可以被視爲Name-Entity Recognition（NER）任務。但我建議在html上（即你的輸入數據）簡單地查看sequence labeling的任務，然後執行一些標準的機器學習classification。
問題：如何標記一些文件作爲培訓數據？
的：你可以做的是：
你是在談論尋找郵政地址？ – Barmar
是的，這是正確的，例如http://web.cs.dal.ca/~zyu/research/Thesis.pdf – Wizzard
你可以發佈一些示例輸入？ –