Definición de una lista

Cuando se utilizan términos estandarizados, como nombres de departamento de una organización, prioridades de ventas, comités electorales o rangos militares, para extraer valores, se pueden identificar los términos necesarios en una lista.

1. Pulse en la barra de herramientas del lienzo.
2. Especifique un nombre para el diccionario. Puede ampliar el nombre con una descripción. Es posible que los textos largos se trunquen en la pantalla, pero puede pasar el puntero del ratón por encima del diccionario para leer la descripción completa.
3. En el separador Valores bajo Propiedades del extractor, escriba cada uno de los términos manualmente o cargue una lista desde un archivo. La longitud máxima de cada entrada es de 1024 caracteres.

• Para especificar los términos manualmente, pulse , especifique el término y pulse Intro. Escriba un término por fila.
• Para cargar términos de un archivo de texto de UTF-8 con cada término en una línea distinta, . Si se visualiza un error durante la importación, asegúrese de que el archivo no contiene caracteres que no se pueden imprimir, como un salto de línea o un retroceso.

Definición de una tabla de correlación

Cuando se analiza un texto que contiene sinónimos, ortografías alternativas para un término o valores codificados, se puede definir una tabla de correlación para correlacionar términos del texto con un término deseado.

Una tabla de correlación es análoga a una tabla de búsqueda o a una tabla de pares de clave-valor. Algunos ejemplos de instancias en las que puede definir una tabla de correlación incluyen la correlación de:

• Apodos como Maggy y Peggy con Margaret
• Abreviaturas y formas alternativas de un nombre de organización como, por ejemplo, I.B.M. IBM Deutschland e International Business Machines para el nombre comúnmente utilizado IBM
• 404 con Archivo no encontrado cuando se convierten códigos de error de HTML en un archivo de registro
• El código de área 408 con California

Para obtener un mejor rendimiento, utilice tablas de correlación largas o complejas en un segundo paso, después del paso de extracción de texto.

1. Pulse en la barra de herramientas del lienzo.
2. Especifique un nombre para el diccionario. Puede ampliar el nombre con una descripción. El texto largo se trunca, pero se visualiza cuando pasa el cursor por encima del diccionario.
3. En el separador Valores bajo Propiedades del extractor, pulse Correlacionar términos.
4. Cumplimente la tabla de dos columnas manualmente o cargándola desde un archivo. La primera columna contiene los términos que se van a buscar en el texto y la segunda columna muestra los valores que se van a generar en los resultados. La longitud máxima de una entrada es de 1024 caracteres. Si un término se repite en la primera columna, solo se utiliza el primer valor correlacionado.

• Para especificar los términos manualmente, pulse , especifique el término y su valor correlacionado y pulse Intro.
• Para cargar términos de un archivo de texto ASCII o UTF-8 con cada término y su valor correlacionado, separados por una sola coma, en una línea distinta, pulse . Si se visualiza un error durante la importación, asegúrese de que el archivo no contiene caracteres que no se pueden imprimir, como un salto de línea o un retroceso.

Ejemplos de expresiones regulares

A continuación se muestran ejemplos de expresiones regulares de Java que se pueden utilizar en instancias específicas. En las descripciones de patrones, A representa un carácter y 9 un dígito. Para obtener más información sobre la sintaxis de Java, consulte el Javadoc sobre Patrones de clase.

• Para seleccionar texto que incluya cualquier número ordinal de uno o más dígitos seguidos de th, st, nd o rd (21st, 2nd, 3rd, etc.), especifique:

  \d+(st|nd|rd|th)
  

• Para seleccionar texto que incluya números de la seguridad social de EE. UU. formateados como 999-99-9999, especifique:

  \d{3}\-\d{2}\-\d{4}
  

• Para seleccionar todo el texto que incluya un código postal canadiense formateado como A9A-9A9, A9A 9A9 o A9A9A9 (por ejemplo, K1G 3K9, V5g-4X3 y x2H3m5), especifique:

  [a-zA-Z][0-9][a-zA-Z](-|)[0-9][a-zA-Z][0-9]
  

• Para seleccionar todo el texto que incluya un código postal del Reino Unido formateado como A9 9AA, A99 9AA, AA99 9AA, A9A 9AA o a9d AA9A 9AA (por ejemplo, M1 1AE, B33 8TH, DN55 1PT, W1A 0AX, CR2 6XH y SW1A 2AA), especifique:

  [A-Z]{1,2}[1-9][0-9]?[A-Z]?\s[0-9][A-Z]{2,}|GIR 0AA
  

• Para seleccionar todo el texto que incluya números de matrículas de vehículos privados y comerciales de India formateados como AA-99-AA-9999, AA-99-AAA-9999 y para estados donde el 0 es opcional, AA-9-AA-9999 con separadores que pueden ser guiones o espacios, o sin separadores (por ejemplo TN-86-AF-1199, WB 06 F 5971 y DL4CAF4943), especifique:

  [A-Z]{2}(-| |)\d{1,2}(-| |)[A-Z]{1,3}(-| |)\d{4} (M1 1AE, B33 8TH, DN55 1PT, W1A 0AX, CR2 6XH, SW1A 2AA)
  

Ejemplo de patrón de secuencia

Para seleccionar referencias al personal militar:

1. Cree un diccionario llamado Military Ranks que incluya términos como Warrant Officer, Sergeant y Lieutenant.
2. Arrastre el extractor Person en el lienzo después del diccionario Military Ranks para indicar que la nueva secuencia encuentra rangos y luego nombres. La línea azul oscuro que hay después del extractor Military Ranks indica la colocación del extractor Person en el patrón de texto.

Cuando suelte el botón del ratón, aparecerá un objeto de secuencia en el lienzo.

3. Pulse el objeto de secuencia en el lienzo, bajo Propiedades del extractor, y abra el separador General. Cambie el nombre del objeto de secuencia por Military Personnel.
4. La regla de extractor final se muestra en el lienzo.

Adición de reglas de proximidad

Las reglas de proximidad sirven para especificar el número máximo de señales que puede haber entre los términos deseados. En el texto, se suele hacer referencia a cada palabra o carácter como una señal. La secuencia "The CEO announced the earnings last week, missing analyst estimates by 5%." contiene 15 señales: 11 palabras separadas por espacios, 3 caracteres especiales y 1 número.

Supongamos que desea localizar referencias a casas de ladrillo rojo (red brick houses), sabiendo que en el texto que va a analizar pueden aparecer frases como house made of red brick, red house of brick y the brick on the house reflected red. Las reglas de proximidad garantizan que estas frases se extraen y que se excluyen frases que incluyen por casualidad los términos especificados, como por ejemplo "The red car passed a house near the brick yard".

1. Pulse con el botón derecho del ratón sobre el extractor en el lienzo y, bajo uno de los submenús Añadir, pulse Regla de proximidad.
2. En el formato minimum-maximum, especifique el número mínimo y máximo de palabras, caracteres especiales o valores que se permiten entre términos. De forma predeterminada, el patrón de proximidad se establece de modo que coincida con el número de señales entre los dos números que especifique en el rango. Si la proximidad deseada no varía, puede cambiar el valor. Por ejemplo, especifique 0-2.
3. Seleccione la nueva regla de proximidad. Se abren las Propiedades del extractor en el separador Valores, donde puede cambiar el rango de números o convertirlo en un número exacto de señales.

Ejemplo 1:

1. Cree un diccionario llamado Clerical title que incluya términos como Rabbi, Father y Archbishop.
2. Arrastre el extractor Person a la derecha del diccionario Clerical title de modo que la nueva secuencia encuentre jerarquías clericales seguidas de nombres. Cuando suelte el botón del ratón, aparecerá un objeto de secuencia en el lienzo.
3. Pulse con el botón derecho del ratón en Clerical title y pulse Añadir después > Regla de proximidad. Para captar términos, como por ejemplo Archbishop of Canterbury, Robert Runcie, especifique el número mínimo y máximo de señales entre palabras, en este caso 0-5.
4. Pulse la secuencia en el lienzo y, a continuación, bajo Propiedades del extractor, abra el separador General si no se abre automáticamente. Cambie el nombre de la secuencia por Clerics.

Ejemplo 2:

Como segundo ejemplo, seleccione tuits que hagan referencia a nombres en Twitter de analistas de la industria con un término big data. Para lograrlo, cree dos diccionarios, uno de nombres de los usuarios de Twitter de los analistas y un segundo de términos de big data y combínelos en el lienzo del espacio de trabajo con una proximidad de entre una y 25 señales.

Ejemplo de unión

El término Parties en contratos puede hacer referencia a dos particulares, a dos organizaciones o a un particular y una organización. Para extraer información sobre las partes, debe definir dos extractores, Party1 y Party2, para seleccionar un particular o una organización.

1. Arrastre los extractores Person y Organization desde el panel Extractor al lienzo.
2. En el lienzo, seleccione cada extractor individualmente y, en el separador Salida de las Propiedades del extractor, cambie el nombre de las columnas de salida para que las definiciones de columna sean las mismas para ambos.

3. Arrastre el extractor de Organization a la zona donde soltar que hay bajo el extractor Person.

4. Seleccione Union 1 en el lienzo y llámela Party 1 en el separador General de las Propiedades del extractor.
5. Copie Union 1 para crear una segunda unión y llámela Party 2.
6. Para buscar las partes en los contratos, combine las dos uniones en una secuencia, tal como se muestra aquí. Entre las dos uniones de la secuencia está el literal and.

7. Llame a la nueva secuencia Legal Parties.

Cambio de nombre de una columna en la visualización de resultados

1. En el lienzo, pulse el botón derecho en el extractor que ha generado los resultados y pulse Editar salida.
2. En el menú de la columna, seleccione Cambiar nombre o simplemente efectúe una doble pulsación en la columna.
3. Escriba el nuevo nombre de columna que se va a visualizará en los resultados.

Adición de una columna de serie

1. En el lienzo, pulse el botón derecho en el extractor que ha generado los resultados y pulse Editar salida.
2. Pulse el menú Gestionar columnas en la columna de la izquierda de la tabla.
3. Pulse Nueva columna.

Adición de una columna de salida transformada

Puede transformar la salida del extractor, convirtiéndolo, por ejemplo, a minúsculas. Realice estas transformaciones en el separador Salida del panel Propiedades del extractor.

1. En el lienzo, pulse el botón derecho en el extractor que ha generado los resultados y pulse Editar salida.
2. Pulse el menú desplegable en la cabecera de la columna que desea transformar y seleccione el tipo de transformación que desea realizar.

Si aplica Recortar, Nueva columna a partir de una sola columna o Nueva columna a partir de dos columnas a una columna seleccionada y luego selecciona Convertir en serie o Convertir en serie en minúsculas, no obtendrá ninguna otra columna nueva. Las transformaciones de serie se aplicarán en su lugar a la nueva columna generada por las opciones Recortar o Nueva columna anteriores.

Cómo ocultar una columna de la visualización de resultados

Puede ocultar columnas de salida en el separador Salida del panel Propiedades del extractor.

1. En el lienzo, pulse el botón derecho en el extractor que ha generado los resultados y pulse Editar salida.
2. Pulse el menú Gestionar columnas en la columna de la izquierda de la tabla.
3. Desmarque los recuadros de selección de las columnas que desea eliminar de la visualización de resultados. Estas columnas se ocultarán de los resultados, aunque el contenido se extrae.

Supresión de una columna de la visualización de resultados

1. En el lienzo, pulse el botón derecho en el extractor que ha generado los resultados y pulse Editar salida.
2. Pulse el menú Gestionar columnas en la columna de la izquierda de la tabla.
3. Pulse Suprimir columna y seleccione los recuadros de selección correspondientes a las columnas que desea eliminar de la visualización de resultados.

Eliminación de resultados duplicados y solapados

A veces un extractor genera varias filas para el mismo texto porque el texto coincide con más de una entrada de diccionario. Para eliminar o consolidar las entradas duplicadas, debe proporcionar reglas de consolidación.

1. En el lienzo, pulse con el botón derecho en el extractor que genera los resultados.
2. En el panel Propiedades del extractor, pulse Salida.
3. Seleccione Gestionar coincidencias solapadas.
4. En la lista Columna de salida, seleccione la columna que está provocando que el extractor genere la salida duplicada.
5. En la lista Método, seleccione uno de los siguientes valores:
   • Contenido en para conservar el resultado más largo.
   • No contenido en para conservar el resultado más corto.
   • Contiene pero no igual para conservar los resultados exclusivos de la misma longitud.
   • Coincidencia exacta para conservar una instancia de cada resultado.
   • De izquierda a derecha para conservar el resultado más largo, con el mayor número de términos de izquierda a derecha.

Como ejemplo, supongamos que está diseñando un extractor para documentos que incluyen referencias a personal militar. Después de crear y de ejecutar un diccionario que contiene una lista de rangos militares, como por ejemplo Chief Warrant Officer, Warrant Officer y Officer, ve los siguientes resultados para Chief Warrant Officer John Doe:

• Chief Warrant Officer John Doe
• Warrant Officer John Doe
• Officer John Doe

Los términos Warrant Officer y Officer se encuentran en el término más largo Chief Warrant Officer, lo que hace que Chief Warrant Officer John Doe satisfaga las tres entradas de diccionario y genere tres filas de resultados. Para conservar el término más largo, que representa el rango más significativo, debe especificar los siguientes valores de consolidación:

1. En Columna de salida seleccione Military Rank
2. En Método seleccione Contenido en

Ahora los resultados solo incluirán la fila Chief Warrant Officer John Doe.

Filtrado de resultados extraños

A veces un extractor genera resultados no deseados aunque el patrón sea una coincidencia. Estos resultados no deseados a menudo pueden ser reconocidos por otro texto cercano a la coincidencia en el documento.

Para restringir aún más las coincidencias, cree un filtro.

1. En el lienzo, pulse el botón derecho en el extractor que ha generado los resultados y pulse Editar salida. Se abre el separador Salida en Propiedades del extractor.
2. Elija si desea Incluir o Excluir resultados. Incluir es el valor predeterminado.

• Un filtro Incluir es una condición que debe cumplirse para que se incluya un resultado.
• Un filtro Excluir es una condición que no debe cumplirse para que se incluya un resultado.

3. En la lista desplegable del primer filtro, seleccione la columna a la que desea aplicar el filtro.
4. En la siguiente lista desplegable, seleccione el tipo de filtro. Dependiendo del filtro, la siguiente lista desplegable refleja las opciones adecuadas.

5. Cuando haya completado las opciones de filtro, ejecute el extractor de nuevo para ver cómo han cambiado los resultados.

El extractor Military Ranks puede generar una coincidencia para el texto Chief Warrant Officer John Doe, pero no desea incluir resultados que tengan la palabra except antes de la coincidencia.

1. Cree un diccionario con el término except y cualquier otro término que desee utilizar para excluir resultados.
2. Seleccione Military Ranks en el lienzo y abra el separador Salida bajo Propiedades del extractor.
3. Pulse Nuevo filtro.
4. Seleccione Excluir y elija una columna.
5. Seleccione rango y se encuentra después.
6. Seleccione el diccionario que incluye except.
7. Seleccione la columna y entre 0 y 2 señales.

El filtro excluye cualquier coincidencia que tenga la palabra except en un tramo de entre 0 y 2 señales antes de una coincidencia.