通过公司名称获取公司关键词

Posted 2020-12-13 leimu

一 问题详情

类似天眼查的公司详情页，如果公司有自己的图标，就会显示公司图标：

如果没有图标，则会提取其关键词，配合背景色作为logo:

现在要思考的问题：如何从给定的完整公司名称里提取公司关键词。这属于从本文里获取公司名称之后的后续问题了。

二 分析问题

大部分公司名称的组成分为以下几个部分

地区名称公司类型
江西五维实业有限公司
深圳康泰生物制品股份有限公司

所以何为关键词：不同地方的定义不同，在公司名称里，能代表公司的词为其关键词。比如罗永浩的锤子，人们不需要知道其公司全称，一个“锤子”足矣。
第一步要做的是进行带有词性标注的分词，去除地名和代表公司类型的词。在词性标注方面，hanlp效果要优于jieba。

hanlp 的词性对照表：
https://blog.csdn.net/u014258362/article/details/81044286

地点（ns）和机构后缀（nis）都可以标注出来。如下面代码所示，

from pyhanlp import *
string = "锡林郭勒地震应急保障中心"

words = [_.toString() for _ in HanLP.segment(string)]
print(words) # [‘锡林郭勒/ns‘, ‘地震/n‘, ‘应急/vn‘, ‘保障/vn‘, ‘中心/nis‘]

第二步：对预处理之后的词语，按照一定规则进行合并。一般关键词长度为4，比如瑞星咖啡；特殊情况为3，比如红黄蓝幼儿园的关键词为“红黄蓝”。

三 代码实现

3.1 加载地区名称

from pyhanlp import *
import xlrd
filt_list = [‘ns‘,‘nis‘]
def get_province_city():
    xls_path = ‘./tools/province.xls‘
    print(xls_path)
    book = xlrd.open_workbook(xls_path)
    sheet = book.sheets()[0]
    name_ = list()
    for r in range(1, sheet.nrows):
        name = sheet.cell(r, 1).value
        temp = get_keyword(name)
        if temp:

            name_.append(temp[0])
            name_.append(temp[1])
# 获取中国34个省级行政区及其下属的地级市
city_list = get_province_city()

3.2 实现keyword类的两个字符串处理方法

class KeyWord:
    #判断是否为英文，如果公司名称里有英文，则直接把英文首字母作为logo内容
    def is_english_char(self,ch): 
        if ord(ch) not in (97, 122) and ord(ch) not in (65, 90):
            return False
        return True

    # 公司名称有的带有书名号和括号，需要预处理。同时在预处理阶段去掉地区。
    def process_word(self,word):

        res = word.replace(‘《‘, ‘‘).replace(‘》‘, ‘‘)
        index1 = res.find(‘（‘)
        index2 = res.find(‘）‘)
        temp = res[index1:index2 + 1]
        res = res.replace(temp, ‘‘)
        flag1 = res[:2]
        flag2 = res[:3]
        flag3 = res[:4]
        if flag3 in city_list:
            res = res.replace(flag3, ‘‘)
        elif flag2 in city_list:
            res = res.replace(flag2, ‘‘)
        elif flag1 in city_list:
            res = res.replace(flag1, ‘‘)

        return res     

3.3 关键词提取实现过程：分词+规则处理

 def extract(self,name):

        if self.is_english_char(name[0]):
            final_key = name[0]
            return final_key

        final_key = False
        name_type_dict = dict()
        name = self.process_word(name)
        words = [_.toString() for _ in HanLP.segment(name)]
        filt_key = list()
        key_list = list()
        for word in words:
            key, flag = word.split(‘/‘)
            name_type_dict[key] = flag
            key_list.append(key)
            if flag in filt_list:
                filt_key.append(key)

        for i in filt_key:
            key_list.remove(i)

        if len(key_list) == 1: # 候选词列表只有一个单词，看其长度是否<=4
            if len(key_list[0]) <= 4:
                final_key = key_list[0]
            else:
                final_key = self.extract_two(key_list[0])

        # 当候选词列表只有两个词语
        elif len(key_list) == 2:
            # 按设定规则处理
        else: # 候选词列表长度大于等于3
            # 按设定规则处理
        
        #如果经过上述处理过程，得到的关键词长度为0或1，取分词后的第一个词作为关键词 
        if not final_key or len(final_key)==1:
            for item in name_type_dict.keys():
                final_key = item
                break

        return final_key