信息提取和分類可通過正則表達式、ner工具及機器學習實現。①提取關鍵信息常用正則表達式處理格式固定內容，如手機號提取；②使用spacy等庫進行ner識別語義實體，如人名、地點；③文本分類流程包括數據預處理、特征提取（tf-idf）、選擇分類器（樸素貝葉斯、svm）并訓練預測；④中文需注意分詞準確性、停用詞過濾、符號統一及模型泛化能力。
信息提取和分類是文本挖掘中非常關鍵的兩部分，尤其是在處理大量非結構化數據時。python 作為一門強大的編程語言，在自然語言處理（nlp）領域提供了豐富的庫和工具，比如 NLTK、spaCy、scikit-learn 和正則表達式模塊 re，這些都能幫助我們高效地完成信息提取與分類任務。
下面從實際應用的角度，聊聊幾個常見但實用的技術點。
如何用 Python 提取文本中的關鍵信息？
信息提取的核心目標是從一段文本中抽取出特定類型的信息，比如人名、地名、時間、電話號碼等。常用的方法包括：
立即學習“Python免費學習筆記（深入）”；
-
使用正則表達式：適用于格式相對固定的字段，例如身份證號、手機號、日期等。
比如提取手機號：
import re text = "聯系方式：13812345678，請盡快聯系" phone = re.search(r'1d{10}', text) if phone: print(phone.group()) -
使用 NER（命名實體識別）工具：像 spaCy 這樣的庫內置了訓練好的模型，可以自動識別出人名、地點、組織機構等實體。
示例代碼：
import spacy nlp = spacy.load("zh_core_web_sm") # 中文模型 doc = nlp("馬云在杭州創立了阿里巴巴") for ent in doc.ents: print(ent.text, ent.label_)
正則適合規則明確的情況，NER 更適合語義層面的提取。兩者結合使用，往往效果更好。
怎么對文本進行分類？
文本分類是將一段文本自動歸類到預設類別中，常用于垃圾郵件過濾、情感分析、新聞分類等場景。Python 中常用的流程如下：
- 數據預處理：清洗文本、去除停用詞、分詞。
- 特征提取：使用 TF-IDF 或詞袋模型（Bag of Words）將文本轉化為向量。
- 選擇分類器：常用有樸素貝葉斯、SVM、隨機森林等。
- 訓練和預測：使用 scikit-learn 等庫快速實現。
一個簡單的例子：
from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.naive_bayes import MultinomialNB # 假設有兩類文本 texts = ["買手機推薦", "如何炒股入門", "新款iphone發布", "股票K線圖講解"] labels = ["科技", "財經", "科技", "財經"] vectorizer = TfidfVectorizer() X = vectorizer.fit_transform(texts) clf = MultinomialNB() clf.fit(X, labels) # 預測新文本 new_text = ["最新手機評測"] print(clf.predict(vectorizer.transform(new_text)))
這個流程雖然基礎，但在很多中小型項目中已經夠用了。如果數據量大或要求高，還可以引入深度學習方法，比如 bert。
實際中容易忽略的小細節
做文本挖掘時，有幾個小細節常常被忽視，但會影響最終效果：
- 中文分詞的準確性：中文不像英文有空格分隔，所以需要先分詞。不同庫的分詞能力有差異，比如 jieba 和 HanLP 的表現就不一樣。
- 停用詞處理：一些無意義的虛詞（“的”、“了”、“是”）會影響模型性能，要提前過濾掉。
- 大小寫和標點問題：英文文本中，統一轉成小寫是個好習慣；中文則要注意全角半角符號是否統一。
- 模型泛化能力：訓練集和測試集分布不一致會導致模型效果下降，建議做交叉驗證。
這些問題看起來小，但如果沒處理好，可能直接影響整個項目的成敗。
基本上就這些內容了。Python 在文本挖掘方面的生態已經比較成熟，只要掌握幾個核心庫和基本流程，就能應對大多數日常任務。關鍵是多動手實踐，遇到具體問題再查資料優化，慢慢就會得心應手。
