[发明专利]从文本中抽取电话号码的方法

说明书

本发明涉及计算机信息处理技术领域，且公开了从文本中抽取电话号码的方法，包括以下步骤，预先创建专用数据库群；针对已获得的文本内容进行分词，获得分词数据集；针对分词数据集，按照以下规则分步抽取其中的电话号码：检索分词数据集中不低于三个阿拉伯数字的连续组合字符串并将数字汇总成数字文本组合；从数字文本组合的第一个阿拉伯数字开始检索首个数字和其右侧的数字的连续序列组合；最后，根据预先创建的专用数据库群推测和抽取电话号码。本发明通过对文本内容获得分词数据集并从中筛选数字文本组合，分别按照手机号码与固定电话号码的格式进行逐条匹配性筛选，使得从文本内容中获取的电话号码更加精准，用户可使用性程度高。

技术领域

本发明涉及计算机信息处理技术领域，具体为从文本中抽取电话号码的方法。

背景技术

文本数据挖掘是一种利用计算机处理技术从文本数据中抽取有价值的信息和知识的应用驱动型学科。文本数据挖掘处理的数据类型是文本数据，属于数据挖掘的一个分支，与机器学习、自然语言处理、数理统计等学科具有紧密联系。文本挖掘在很多应用中都扮演重要角色，例如数据采集、信息抽取(例如互联网搜索)等。

文本信息抽取是文本数据挖掘的一个基础技术。文本信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成，例如句子、段落、篇章，文本信息则是由一些小的、具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的联系方式、邮箱地址、社交号码、短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

抽取文本数据中的手机和座机号码，以便于用户对文本中的手机和座机号码进行存储、转发或拨号时，免于用户临时记忆号码的麻烦，目前，对于文本中的号码抽取，通过阿拉伯数字识别提取，默认为电话号码，该技术方案实现，精准率比较低，会导致提取信息出错、用户无法使用的问题。

发明内容

针对背景技术中提出的现有技术问题，本发明提供了从文本中抽取电话号码的方法，旨在解决上述背景技术中提出的电话号码识别抽取存在的精准率较低、提取信息出错、用户无法使用的问题。

本发明提供如下技术方案：从文本中抽取电话号码的方法，包括以下步骤：

S1、预先创建专用数据库群；

S2、针对已获得的文本内容进行分词，获得分词数据集；

S3、针对所述分词数据集，按照以下规则分步抽取其中的电话号码：

首先，检索所述分词数据集中不低于三个阿拉伯数字的连续组合字符串并将数字汇总成数字文本组合；

然后，从所述数字文本组合的第一个阿拉伯数字开始检索首个数字和其右侧的数字的连续序列组合；

最后，根据预先创建的专用数据库群推测和抽取电话号码。

优选的，所述专用数据库群包括电话号码前缀库、电话号码国际区号库、手机号码组成规则库、固定电话号码组成规则库、特殊号码库、间隔符号库、正常空格的数目阈值规则库，所述手机号码组成规则库包括手机号段部分和手机号码部分，所述固定电话号码组成规则库包括固定电话区号部分和固定电话号码部分。

优选的，所述根据预先创建的专用数据库群推测和抽取电话号码包括，

根据预先创建的专用数据库群中的特殊号码库，检索匹配是否为特殊号码，若是则抽取为特殊号码；

否则，继续推测和抽取手机号码或固定电话号码。

优选的，所述推测和抽取手机号码按以下规则进行，

是否为电话号码前缀+电话号码国际区号+手机号段+手机号码部分的序列组合，若是，则抽取为手机号码；