该章三个问题：
1：我们应该怎样建立一个系统，从非结构化的文章中提取出结构化的数据。
2：有哪些稳健的方法可以识别文章中的实体以及关系？
3： 哪些数据库适合用来做这些工作，我们怎样用他们训练并评测我们的模型？
第一节：提取信息
先将非结构化的数据转为结构化的数据，然后利用强大的搜索工具如sql对数据进行查询，这种获取语义的方法被称为信息提取。
1.1 信息提取结构
将文本分割为句子，句子分割为单词，为单词标记词性。识别有信息量的实体，根据他们的语境确定其关系。
第二节：分块
2.1 名词短语分块
用正则表达式构建分块语法，再对已经标注词性的句子进行分块：
2.2 标记模块
是一系列pos标记，与正则表达式模块很相似：
<DT>?<JJ.*>*<NN.*>+
但是还是有许多复杂的表达无法用该模块提取。需要继续优化。
2.3 用正则表达式分块，
如以上所示，建立语法规则 grammar
2.4 探索文章语料库
之前我们学过怎样用pos标记寻找三词短语：
用基于正则表达式的分块器会更加容易一些：
还可以加缝隙，排除不合适的元素：grammar= r'''NP: {<.*>+} }<VBD|IN>+{ 这样就排除了动词以及介词
Chunks的表达：可以用tags 或者 trees:
IOB-Tags: B: begin, I:inside, O:outsid B-NP:一个名词短语的开始
第三节：研发与测试分块器
简单的评估与基准
获得已经标注好的数据库的内容
print(conll2000.chunked_sents('train.txt',chunk_types=['NP'])[10])
以此为基础，训练n-gram分类器
可以将该一元分类器改为二元分类器，使用BigramChunker
训练基于分类器的分块器：与二元相比更加灵活，可以甄别多种可能有用的特征
7.4 语言结构中的递归现象
分级别，多次对句子中的结构进行深度分析分析。不过因为创造这种分级方法，查找错误是比较麻烦的，而且这种方法得确定深度等级，所以对分析复杂的句法并不是很合适。
--- 树：句法树
--- 遍历树：可以用递归函数来遍历树
7.5 识别命名实体
也可以像上面的通过分类器确定分块器的方法，通过数据训练，使其能够识别某些多字符命名实体。
7.6 提取关系
可以通过正则表达式，确定两实体之间的关系如(r'.*\bin\b(?!\b.+ing)' 该表达可以忽略现在分词ing的表达
用正则表达式可能会得到假阳性答案 false postives
总结：
