定义列表

使用标准化术语（例如，组织中的部门、销售优先级、国会委员会或军衔的名称）来抽取值时，您可以在列表中识别需要的术语。

1. 单击画布工具栏上的 ![新建字典](images/new_extractor_dictionary.png ""新建字典" 图标") 。
2. 指定字典的名称。 您可以使用描述来扩展名称。 过长的文本可能会在显示屏幕中被截断，但您可以将鼠标悬停在字典上以读取完整描述。
3. 在抽取器属性下的设置选项卡上，手动输入每个术语，或者从文件中装入列表。 每个条目的最大长度为 1024 个字符。

• 要手动指定款项，请单击 ![添加款项](images/add_term.jpg ""添加款项" 图标")，输入款项，然后按 Enter键。 每行输入一个术语。
• 要从 UTF-8 文本文件装入术语，并且每个术语都位于单独的行 !["导入术语"](images/import_terms.jpg ""导入术语" 图标")。 如果在导入期间显示错误，请确保该文件不包含不可打印字符，例如换行符或 Backspace。

定义映射表

分析包含同义词、术语的替代拼写或编码值的文本时，可以定义映射表以将文本中的术语映射到所需术语。

映射表类似于查找表或键值对表。 可在其中定义映射表的实例的示例包括：

• 将 Maggy 和 Peggy 之类的昵称匹配为 Margaret
• 组织名称的缩写和备用格式，例如 I.B.M. ， IBM Deutschland and International Business Machines for the 常用名称 IBM
• 在日志文件中转换 HTML 错误代码时，将 404 匹配到“找不到文件”
• 将区号 408 匹配到加利福尼亚州

为了获得最佳性能，请在执行文本抽取步骤后，在第二步中使用较长或复杂的映射表。

1. 单击画布工具栏上的 ![新建字典](images/new_extractor_dictionary.png ""新建字典" 图标") 。
2. 指定字典的名称。 您可以使用描述来扩展名称。 过长的文本将被截断，但当您将鼠标悬停在字典上时会显示完整文本。
3. 在抽取器属性下的设置选项卡上，单击 映射术语。
4. 手动填写包含两列的表，或从文件中装入该表。 第一列包含要在文本中搜索的术语，第二列会列出要在结果中生成的值。 条目的最大长度为 1024 个字符。 如果在第一列中重复某个术语，将仅使用第一个映射值。

• 要手动指定款项，请单击 ![添加款项](images/add_term.jpg ""添加款项" 图标")，输入款项及其映射值，然后按 Enter 键。
• 要从 ASCII 或 UTF-8 文本文件装入术语，并将每个术语及其映射值 (以单个逗号分隔) 放在单独的行上，请单击 ![导入术语](images/import_terms.jpg ""导入术语" 图标")。 如果在导入期间显示错误，请确保该文件不包含不可打印字符，例如换行符或 Backspace。

正则表达式示例

下面是可能在特定实例中使用的 Java 正则表达式的示例。 在模式描述中，A 表示字符，9 表示数字。 有关 Java 语法的更多信息，请参阅 Class Pattern Javadoc。

• 要选择包含由一个或多个数字后跟 th、st、nd 或 rd 构成的任何序数（21st、2nd、3rd 等）的文本，请指定：

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

• 要选择包含格式为 999-99-9999 的美国社会保险号的文本，请指定：

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

• 要选择包含格式为 A9A-9A9、A9A 9A9 或 A9A9A9 的加拿大邮政编码（例如，K1G 3K9、V5g-4X3 和 x2H3m5）的所有文本，请指定：

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

• 要选择包含格式为 A9 9AA、A99 9AA、AA99 9AA、A9A 9AA 或 a9d AA9A 9AA 的英国邮政编码（例如，M1 1AE、B33 8TH、DN55 1PT、W1A 0AX、CR2 6XH 和 SW1A 2AA）的所有文本，请指定：

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

• 要选择包含印度私家车和商用车车牌号（格式为 AA-99-AA-9999 和 AA-99-AAA-9999；而对于 0 为可选的邦，格式为 AA-9-AA-9999，其中分隔符可以为连字符、空格或不存在（例如，TN-86-AF-1199、WB 06 F 5971 和 DL4CAF4943））的所有文本，请指定：

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

序列模式示例

要选择对军事人员的引用，请执行以下操作：

1. 创建名为 Military Ranks 的字典，其中包含诸如 Warrant Officer、Sergeant 和 Lieutenant 之类的术语。
2. 将 Person 抽取器拖动到画布上，遵循 Military Ranks 字典来指示新序列查找军衔，然后查找姓名。 Military Ranks 抽取器后面的深蓝色线条指示在文本模式中放置 Person 抽取器。

当您释放鼠标按键时，会在画布上显示序列对象。

3. 单击画布上的序列对象，然后在抽取器属性下，打开常规选项卡。 将序列对象重命名为 Military Personnel。
4. 最终抽取器规则会显示在画布上。

添加邻近度规则

邻近度规则用于指定在所需术语之间可能出现的最大记号数。 在文本中，每个词或字符通常称为一个记号。 句子“The CEO announced the earnings last week, missing analyst estimates by 5%.”包含 15 个记号：11 个词（以空格分隔）、3 个特殊字符和 1 个数字。

您可能希望找到对 red brick houses 的引用，并且知道您正在分析的文本中可能会出现 house made of red brick、red house of brick 和 the brick on the house reflected red 之类的短语。 邻近度规则可以确保抽取这些短语，同时排除凑巧包含目标术语的句子或短语，例如“The red car passed a house near the brick yard”。

1. 右键单击画布上的抽取器，并在其中一个添加子菜单下，单击邻近度规则。
2. 以 minimum-maximum（最小值-最大值）格式，指定术语之间允许的最小和最大数量的词、特殊字符或值。 缺省情况下，邻近度模式设置为与您在范围中指定的两个数字之间的记号数相匹配。 如果所需的邻近度不会变化，那么可以更改设置。 例如，输入 0-2。
3. 选择新的邻近度规则。 抽取器属性会打开到设置选项卡，您可以在其中更改数字范围或转换为确切的记号数。

示例 1：

1. 创建名为 Clerical title 的字典，其中包含诸如 Rabbi、Father 和 Archbishop 之类的术语。
2. 将 Person 抽取器拖动到 Clerical title 字典的右侧，以便新序列将找到头衔加姓名。 当您释放鼠标按键时，会在画布上显示序列对象。
3. 右键单击 Clerical title，然后单击添加到后面 > 邻近度规则。 要捕获 Archbishop of Canterbury 和 Robert Runcie 之类的术语，请指定词之间的最小和最大记号数（在本例中为 0-5）。
4. 单击画布上的序列，然后在抽取器属性下，打开常规选项卡（如果该选项卡未自动打开）。 将序列重命名为 Clerics。

![](images/clerics.jpg ""神职人员" 抽取器")

示例 2：

作为第二个示例，选择一些推文，这些推文引用具有大数据术语的行业分析人员的 Twitter 名称。 要完成此操作，请创建两个字典，其中一个包含分析人员的 Twitter 用户名，另一个包含大数据术语，在工作空间画布上组合这两个字典，邻近度为 1 到 25 个记号。

联合示例

合同中的术语 Parties 可以指两个人、两个组织或一个人和一个组织。 要抽取有关当事方的信息，您必须定义两个抽取器 Party1 和 Party2，以选择个人或组织。

1. 将 Person 和 Organization 抽取器从抽取器窗格拖动到画布上。
2. 在画布上，依次选择每个抽取器，并在抽取器属性的输出选项卡上，重命名输出列，以便这两个抽取器的列定义相同。

![](images/extractor_prop_output_def.jpg "抽取器属性的 "输出" 选项卡")

3. 将 Organization 抽取器拖动到 Person 抽取器下方的放置区。

4. 在画布上选择 Union 1，并在Party 1抽取器属性的常规**选项卡上将其命名为 **。
5. 复制 Union 1 以创建第二个联合，并将其命名为 Party 2。
6. 要查找合同中的当事方，请按此处所示的序列合并这两个联合。 序列中的两个联合之间是字面值 and。

7. 将新序列命名为 Legal Parties。

重命名结果显示中的列

1. 在画布上，右键单击生成结果的抽取器，然后单击编辑输出。
2. 从列菜单中，选择重命名，或者直接双击该列。
3. 输入要在结果中显示的新列名。

添加字符串列

1. 在画布上，右键单击生成结果的抽取器，然后单击编辑输出。
2. 单击表的左侧列中的管理列菜单。
3. 单击新建列。

添加变换的输出列

可以变换抽取器输出，例如将其全部转换为小写。 在抽取器属性窗格的输出选项卡上执行这些变换。

1. 在画布上，右键单击生成结果的抽取器，然后单击“编辑输出”。
2. 在要变换的列的标题中单击下拉菜单，然后选择要执行的变换类型。

如果您将裁切、从单个列新建列或从两个列新建列应用到所选列，然后选择转换为字符串或转换为小写字符串，那么您将无法获取另一个新列。 字符串变换将改为应用到从先前的裁切或新建列选项生成的新列。

从结果显示中隐藏列

您可以在抽取器属性窗格的输出选项卡上隐藏输出列。

1. 在画布上，右键单击生成结果的抽取器，然后单击编辑输出。
2. 单击表的左侧列中的管理列菜单。
3. 清除要从结果显示中除去的列的复选框。 这些列会从结果中隐藏，但仍会抽取内容。

从结果显示中删除列

1. 在画布上，右键单击生成结果的抽取器，然后单击编辑输出。
2. 单击表的左侧列中的管理列菜单。
3. 单击删除列，然后选中要从结果显示中除去的列的复选框。

除去重复项和重叠结果

抽取器有时会为同一文本生成多行，因为文本与多个字典条目相匹配。 要除去或合并重复条目，必须提供合并规则。

1. 在画布上，右键单击生成结果的抽取器。
2. 在抽取器属性窗格中，单击输出。
3. 选择管理重叠匹配项。
4. 从输出列列表中，选择导致抽取器生成重复输出的列。
5. 从方法列表中，选择下列其中一个值：
   • 包含在其中，以保持最长结果。
   • 未包含在其中，以保持最短结果。
   • 包含但不等于，以保持相同长度的唯一结果。
   • 完全匹配，以保留每个结果的一个实例。
   • 从左到右，以保持最长结果，从左到右的术语数量最多。

例如，您正在为包含对军事人员的引用的文档设计抽取器。 创建并运行包含军衔（例如，Chief Warrant Officer、Warrant Officer 和 Officer）的列表的字典后，您会看到 Chief Warrant Officer John Doe 的以下结果：

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

在较长的术语 Warrant Officer 中找到了术语 Officer 和 Chief Warrant Officer，导致 Chief Warrant Officer John Doe 满足所有三个字典条目，并生成三行结果。 要保留最长的术语（表示最高军衔），请按如下所示指定合并设置。

1. 从输出列中选择军衔
2. 从方法中选择包含在其中

现在，您的结果仅包含行 Chief Warrant Officer John Doe。

过滤无关结果

尽管模式是匹配项，抽取器有时仍会生成不需要的结果。 这些不需要的结果通常可通过文档中的匹配项附近的其他文本进行识别。

要进一步限制匹配项，请创建过滤器。

1. 在画布上，右键单击生成结果的抽取器，然后单击编辑输出。 这将打开抽取器属性中的输出选项卡。
2. 选择包含或排除结果。 包含是缺省设置。

• 包含过滤器是要包含结果而必须满足的条件。
• 排除过滤器是要包含结果而不得满足的条件。

3. 从第一个过滤器下拉列表中，选择要将过滤器应用到的列。
4. 在下一个下拉列表中，选择过滤器的类型。 根据过滤器，后续下拉列表将反映相应的选项。

5. 完成过滤器选项后，再次执行抽取器以查看结果如何更改。

您的 Military Ranks 抽取器可能会生成文本 Chief Warrant Officer John Doe 的匹配项，但您不希望包含的结果在匹配项之前出现 except 一词。

1. 使用术语 except 以及您可能希望用于排除结果的任何其他术语来创建字典。
2. 从画布选择 Military Ranks，然后打开抽取器属性下的输出选项卡。
3. 单击新建过滤器。
4. 选择排除，然后选择列。
5. 选择范围，并选择在之后执行。
6. 选择包含 except 的字典。
7. 选择列，并选择介于 0 到 2 个记号。

此过滤器排除在某个匹配项之前 0-2 个记号的距离内出现 except 一词的任何匹配项。