Python 解析LaTex作者标记以提取作者姓名

1。作者标签：

\author{{\small Tanya Araujo$^{a,b}$ and Elsa Fontainha$^{a}$} \and {\small $^{a}$ISEG
(Lisbon School of Economics \& Management) Universidade de Lisboa, } \and
{\small Rua do Quelhas, 6 1200-781 Lisboa Portugal} \and {\small $^{b}$Research
Unit on Complexity and Economics (UECE)} \and {\small Rua Miguel Lupi, 20
1249-078 Lisboa Portugal}}

\author{{\bf R. Vilela Mendes} \and {\small Grupo de Fisica Matematica, Av.
Gama Pinto 2,} \and {\small \ 1699 Lisboa Codex, Portugal
(vilela@cii.fc.ul.pt)} \and {\bf Tanya Araujo and Francisco Lou\cc\a%
} \and {\small Departamento de Economia, ISEG,} \and {\small R. Miguel Lupi
20, 1200 Lisboa, Portugal} \and {\small (tanya@iseg.utl.pt,
flouc@iseg.utl.pt)}}

2。删除特殊字符、其他标签、电子邮件和号码：

Tanya Araujo和Elsa Fontainha ISEG 里斯本经济与管理学院葡萄牙里斯本研究院 复杂性和经济学单元UECE Rua Miguel Lupi， -葡萄牙葡京

R.Vilela Mendes Grupo de Fisica Matematica，Av。 伽马平托，葡京法典，葡萄牙 Tanya Araujo和Francisco Lou 经济部，伊塞格，R.米格尔·卢皮 葡萄牙里斯本

3。所需输出： 仅提取名称并删除大学名称或任何位置名称。试图使用NLTK中的NER，但它将Universidade和Lisboa视为个人，等等

(PERSON Tanya/NNP)
  (PERSON Araujo/NNP)
  and/CC
  (PERSON Elsa/NNP Fontainha/NNP)
  ISEG/NNP
  (/(
  (ORGANIZATION Lisbon/NNP School/NNP)
  of/IN
  (ORGANIZATION Economics/NNP)
  &/CC
  Management/NNP
  )/)
  (PERSON Universidade/NNP)
  de/FW
  (PERSON Lisboa/NNP)
  ,/,
  (PERSON Rua/NNP)
  do/VBP
  (PERSON Quelhas/NNP)
  ,/,
  -/:
  (PERSON Lisboa/NNP Portugal/NNP Research/NNP Unit/NNP)
  on/IN
  (ORGANIZATION Complexity/NNP)
  and/CC
  (GPE Economics/NNP)
  (/(
  (ORGANIZATION UECE/NNP)
  )/)
  (PERSON Rua/NNP Miguel/NNP Lupi/NNP)
  ,/,
  -/:
  (PERSON Lisboa/NNP Portugal/NNP Alessandro/NNP Spelta/NNP)
  corresponding/VBG
  author/NN
  :/:
  and/CC
  (PERSON Tanya/NNP Araujo/NNP))

是否可以使用NLTK中的NER来解决此问题，或者我们是否应该尝试任何其他库，如spaCy？

您可能可以使用它来提取author元素，如下所示

>>> from TexSoup import TexSoup
>>> soup = TexSoup(open('tri7.txt').read())
>>> for i in soup.find_all('author'):
...     i
...     
\author{{\small Tanya Araujo$^{a,b}$ and Elsa Fontainha$^{a}$} \and {\small $^{a}$ISEG
(Lisbon School of Economics \& Management) Universidade de Lisboa, } \and
{\small Rua do Quelhas, 6 1200-781 Lisboa Portugal} \and {\small $^{b}$Research
Unit on Complexity and Economics (UECE)} \and {\small Rua Miguel Lupi, 20
1249-078 Lisboa Portugal}}

然后您可以提取以下示例中的字符串

{{\small Tanya Araujo$^{a,b}$ and Elsa Fontainha$^{a}$}

在这种情况下，可以采用多种方式中的任何一种。

---

最后，如果您不能让TexSoup为您做这件事，您可以使用正则表达式删除

\small

和

$（a，b）$

等项。

非常感谢您对@Bill的回复。这仅限于此特定情况，但如果有许多其他格式与此不同，该怎么办。我很抱歉这个问题只针对这个案子，不客气。“其他格式”是什么意思？我是指不同格式的作者标签。请检查我在描述中更新的另一个作者标签。我明白了。如果作者条目是不规则的，那么可能会有相当大的挑战性。我倾向于尝试找出其中的模式。您可能能够减少所需的编码量，但我希望能做大量的分析工作。