文本货币金额抽取与解析，JioNLP

本是古典何须时尚 2022-09-17 03:15 157阅读 0赞

给定一段文本，提取其中的货币金额字符串，并将所有的金额做标准化。

[JioNLP 中文预处理与解析工具包![icon-default.png?t=L9C2][icon-default.png_t_L9C2]/images/20220828/0354d35e2f134b0f8d0b8872de6ccff9.png][JioNLP _icon-default.png_t_L9C2_icon-default.png_t_L9C2_https_github.com_dongrixinyu_JioNLP]其中，**jio.ner.extract\_money** 与 **jio.parse\_money** 可以从一段文本中抽取出货币金额，并将结果进行标准化。我们不妨看一个例子：

给定一段文本如：

>     海航亏损7000万港元出售香港公寓。12月12日，据《香港经济日报》报道，海航集团将持有的部分位于香港铜锣湾Yoo Residence大楼中的物业以2.6亿港元的价格出售，相对于去年入手时3.3亿港元的价格来看，海航此次出售该物业以公司股权转让的模式转售，亏损了7000多万港元。该物业包括一个顶层复式豪华公寓、1个分层物业及5个车位。报道称，两个月前，海航在市场上为该部分物业寻找买家，一度报价达到几千万美元。此外，海航在数月前将去年同时买下的一个地下连1楼的商铺以8650万港元的价格出售，买家为香港一家名为荣企的公司，较去年近1.2亿港元入手的价格亏损了约3350万港元。
>         以此来看，海航投资Yoo Residence在一年内亏损逾1亿港元。今年以来，海航在香港连续出售其持有的地产类资产。2月份，海航集团把香港启德区6565号地块和6562号地块以159.59亿港元卖给了香港恒基兆业地产（00012.HK），股价为二十三块四毛钱。3月份，海航又把位于九龙启德第1L区1号地盘新九龙内地段第6564号以63.59亿港元的价格卖给了会德丰（00020.HK）。
>         已在5个月前为其融到了50.47亿港元。除了出售地块之外，海航还卖掉了在香港金钟的一处办公室。3月21日，据香港当地媒体《明报》报道，海航已于今日出售位于香港金钟力宝中心的一处办公室，成交价为4000多万港元，折合单价为28000港元/平方英尺（折合243300元/平方米），较该物业的市场价值38000港元/平方英尺低了近两成。截至目前，海航在香港出售地产类物业已套现至少227亿港元。

import jionlp as jio
    
    text = "海航..."
    
    results = jio.ner.extract_money(text, with_parsing=True)
    for item in results:
        print(item)

{'text': '7000万港元', 'offset': [4, 11], 'type': 'money', 'detail': {'num': '70000000.00', 'case': '港元', 'definition': 'accurate'}}
    {'text': '2.6亿港元', 'offset': [83, 89], 'type': 'money', 'detail': {'num': '260000000.00', 'case': '港元', 'definition': 'accurate'}}
    {'text': '3.3亿港元', 'offset': [103, 109], 'type': 'money', 'detail': {'num': '330000000.00', 'case': '港元', 'definition': 'accurate'}}
    {'text': '7000多万港元', 'offset': [149, 157], 'type': 'money', 'detail': {'num': ['70000000.00', '80000000.00'], 'case': '港元', 'definition': 'blur'}}
    {'text': '达到几千万美元', 'offset': [225, 232], 'type': 'money', 'detail': {'num': ['10000000.00', '100000000.00'], 'case': '美元', 'definition': 'blur'}}
    {'text': '8650万港元', 'offset': [270, 277], 'type': 'money', 'detail': {'num': '86500000.00', 'case': '港元', 'definition': 'accurate'}}
    {'text': '近1.2亿港元', 'offset': [301, 308], 'type': 'money', 'detail': {'num': '120000000.00', 'case': '港元', 'definition': 'blur-'}}
    {'text': '约3350万港元', 'offset': [316, 324], 'type': 'money', 'detail': {'num': '33500000.00', 'case': '港元', 'definition': 'blur'}}
    {'text': '逾1亿港元', 'offset': [362, 367], 'type': 'money', 'detail': {'num': '100000000.00', 'case': '港元', 'definition': 'blur+'}}
    {'text': '159.59亿港元', 'offset': [431, 440], 'type': 'money', 'detail': {'num': '15959000000.00', 'case': '港元', 'definition': 'accurate'}}
    {'text': '二十三块四毛钱', 'offset': [465, 472], 'type': 'money', 'detail': {'num': '23.00', 'case': '元', 'definition': 'accurate'}}
    {'text': '63.59亿港元', 'offset': [517, 525], 'type': 'money', 'detail': {'num': '6359000000.00', 'case': '港元', 'definition': 'accurate'}}
    {'text': '50.47亿港元', 'offset': [565, 573], 'type': 'money', 'detail': {'num': '5047000000.00', 'case': '港元', 'definition': 'accurate'}}
    {'text': '4000多万港元', 'offset': [659, 667], 'type': 'money', 'detail': {'num': ['40000000.00', '50000000.00'], 'case': '港元', 'definition': 'blur'}}
    {'text': '28000港元', 'offset': [673, 680], 'type': 'money', 'detail': {'num': '28000.00', 'case': '港元', 'definition': 'accurate'}}
    {'text': '243300元', 'offset': [688, 695], 'type': 'money', 'detail': {'num': '243300.00', 'case': '元', 'definition': 'accurate'}}
    {'text': '38000港元', 'offset': [719, 726], 'type': 'money', 'detail': {'num': '38000.00', 'case': '港元', 'definition': 'accurate'}}
    {'text': '至少227亿港元', 'offset': [757, 765], 'type': 'money', 'detail': {'num': '22700000000.00', 'case': '港元', 'definition': 'blur+'}}

可以看出，该工具可以准确抽取出其中的货币金额，并支持以下特性：

### \- 支持纯数字格式，如：987273.3美元   \- 支持大写中文金额，如：柒仟六佰零弎萬肆仟叁佰贰拾壹元伍分   \- 支持混合格式，如：1.26万港元   \- 支持\*\*修饰词\*\*解析，如：将近6万块钱、至少1000块钱以上   \- 支持\*\*模糊金额\*\*解析，如：两万多元钱，6千多亿日元   \- 支持\*\*口语化中文\*\*格式，如：三十五块三毛；但对于“三十五块八”这样的字符串，在文本中存在\*\*歧义\*\*，如“三十五块八颗糖”等，因此，\`\`\`jio.ner.extract\_money\`\`\` 对于此字符串不予抽取，但\`\`\`parse\_money\`\`\`可以将“三十五块八”看作完整的口语化金额，标准化为“35.80元”   \- 支持多种常见货币类型：人民币，港元，澳门元，美元，日元，澳元，韩元，卢布，英镑，马克，法郎，欧元，加元, 泰铢等。 ###

另外，该工具还有非常强力的 [时间语义解析能力![icon-default.png?t=L9C2][icon-default.png_t_L9C2]/images/20220828/faa7b59adda0428b8d10972028d54676.png][icon-default.png_t_L9C2_icon-default.png_t_L9C2_https_blog.csdn.net_dongrixinyu_article_details_120245280]。

[icon-default.png_t_L9C2]: https://csdnimg.cn/release/blog_editor_html/release1.9.2/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=L9C2
[JioNLP _icon-default.png_t_L9C2_icon-default.png_t_L9C2_https_github.com_dongrixinyu_JioNLP]: /images/20220828/0354d35e2f134b0f8d0b8872de6ccff9.png
[icon-default.png_t_L9C2_icon-default.png_t_L9C2_https_blog.csdn.net_dongrixinyu_article_details_120245280]: /images/20220828/faa7b59adda0428b8d10972028d54676.png