中文命名实体——语料处理

读入train文件，文件已经经过BIO标记，格式为text  label。

train文件内容如下所示（句中每个字间由空格隔开，text与label之间由若干空格组成，且每句话中text与label间的空格数不固定，每句话‘text+label’占一行）:

扫 描 或 点 击 关 注 中 金 在 线 客 服 证 券 时 报 记 者 杨 丽 花 中 止 国 内 定 增 项 目 两 个 月 后 ， 申 达 股 份 就 发 布 了 新 的 非 公 开 发 行 预 案 。    O O O O O O O B-ORG I-ORG I-ORG I-ORG O O O O O O O O B-PER I-PER I-PER O O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O O O

根 据 《 2 0 1 7 年 非 公 开 发 行 A 股 股 票 预 案 》 称 ， 拟 向 包 括 公 司 控 股 股 东 申 达 集 团 在 内 的 不 超 过 1 0 名 ( 含 1 0 名 ) 特 定 投 资 者 非 公 开 发 行 A 股 股 票 数 量 不 超 过 1 4 , 2 0 4 . 8 5 万 股 ， 其 中 申 达 集 团 认 购 股 票 数 量 为 本 次 发 行 股 票 总 量 的 3 1 . 0 7 % ， 募 集 资 金 总 额 不 超 过 2 1 . 5 6 亿 元 ( 含 发 行 费 用 ) ， 募 集 资 金 扣 除 发 行 相 关 费 用 后 将 用 于 收 购 I A C 集 团 之 S T & A 业 务 相 关 资 产 ， I A C 集 团 拟 将 上 述 资 产 注 入 新 设 的 A u r i a 公 司 ， 由 申 达 股 份 通 过 申 达 英 国 公 司 认 购 A u r i a 公 司 7 0 % 的 股 份 。    O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG O O B-ORG I-ORG I-ORG I-ORG O O O O B-ORG I-ORG I-ORG I-ORG O O B-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG O O O O O O O

将其转换为

扫 O

描 O

或 O

点 O

击 O

关 O

注 O

中 B-ORG

金 I-ORG

在 I-ORG

线 I-ORG

……

的格式（每行由一个字和一个标签组成，字与标签中间由空格隔开，字和标签的对应方式是每句话中‘字’的相应位置（第几个）与句子后跟的‘标签’的位置（第几个）对应，句与句之间用空行间隔），将转换后的结果保存到文件。

import re
with open("输出文件.txt","w",encoding="utf-8") as outfile:
    with open("train.txt","r",encoding="utf-8") as fileObj:
        for line in fileObj:
            s = re.match(r'^(.+?)\s+([\-\w\s]+)$',line,re.S)
            li1 = re.findall(r"\S+",s.group(1))
            li2 = re.findall(r"\S+",s.group(2))
            for w,k in zip(li1,li2):
                print(w,k)
                outfile.write(w+" "+k+"\n")
            print()
            outfile.write("\n")

用正则匹配,假如每句文本部分全部是句号结尾，标签部分全部以O开始结束，试试下面代码：

s='''扫 描 或 点 击 关 注 中 金 在 线 客 服 证 券 时 报 记 者 杨 丽 花 中 止 国 内 定 增 项 目 两 个 月 后 ， 申 达 股 份 就 发 布 了 新 的 非 公 开 发 行 预 案 。    O O O O O O O B-ORG I-ORG I-ORG I-ORG O O O O O O O O B-PER I-PER I-PER O O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O O O
根 据 《 2 0 1 7 年 非 公 开 发 行 A 股 股 票 预 案 》 称 ， 拟 向 包 括 公 司 控 股 股 东 申 达 集 团 在 内 的 不 超 过 1 0 名 ( 含 1 0 名 ) 特 定 投 资 者 非 公 开 发 行 A 股 股 票 数 量 不 超 过 1 4 , 2 0 4 . 8 5 万 股 ， 其 中 申 达 集 团 认 购 股 票 数 量 为 本 次 发 行 股 票 总 量 的 3 1 . 0 7 % ， 募 集 资 金 总 额 不 超 过 2 1 . 5 6 亿 元 ( 含 发 行 费 用 ) ， 募 集 资 金 扣 除 发 行 相 关 费 用 后 将 用 于 收 购 I A C 集 团 之 S T & A 业 务 相 关 资 产 ， I A C 集 团 拟 将 上 述 资 产 注 入 新 设 的 A u r i a 公 司 ， 由 申 达 股 份 通 过 申 达 英 国 公 司 认 购 A u r i a 公 司 7 0 % 的 股 份 。    O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O B-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG O O B-ORG I-ORG I-ORG I-ORG O O O O B-ORG I-ORG I-ORG I-ORG O O B-ORG I-ORG I-ORG I-ORG I-ORG I-ORG I-ORG O O O O O O O'''

import re
for item in s.split('\n'):
    c1=re.findall('^(.*?)\s+O',item)[0].strip().split(' ')
    c2 = re.findall('O.*O', item, re.M)[0].split(' ')
    with open('results.txt','a',encoding='utf-8') as f:
        for a, b in zip(c1, c2):
            print(a, ' ', b, end='\n')
            f.write(a+' '+b+'\n')

您好，我是有问必答小助手，你的问题已经有小伙伴为您解答了问题，您看下是否解决了您的问题，可以追评进行沟通哦~

如果有您比较满意的答案 / 帮您提供解决思路的答案，可以点击【采纳】按钮，给回答的小伙伴一些鼓励哦～～

ps:问答VIP仅需29元，即可享受5次/月 有问必答服务，了解详情>>>https://vip.csdn.net/askvip?utm_source=1146287632

非常感谢您使用有问必答服务，为了后续更快速的帮您解决问题，现诚邀您参与有问必答体验反馈。您的建议将会运用到我们的产品优化中，希望能得到您的支持与协助！

速戳参与调研>>>https://t.csdnimg.cn/Kf0y