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
3.4 当过滤之后的候选词个数为2时
# 是英文，则用该英文作为返回值
k1 = key_list[0]
if name_type_dict[k1] == 'nx':
final_key = k1
# 如果第一个不是英文
else:
k2 = key_list[1]
if len(k1) == 1:
if len(k2) == 1:
final_key = k1 + k2 # 两个单字，只能相加。
elif len(k2) == 2:
final_key = k1 + k2 # 三个字
elif len(k2) == 3:
final_key = k1 + k2 # 四个字
else:
temp = k1 + k2
final_key = temp[:4]
elif len(k1) == 2:
if len(k2) == 1 or len(k2)==2:
final_key = k1 + k2
else:
temp = k1 + k2
final_key = temp[:4]
# 如果第一个值长度为3,则最后的词长度为3or4.
elif len(k1) == 3:
if len(k2) ==1:
final_key = k1 + k2
else:
if 'n' in name_type_dict[k1] :
final_key = k1
else:
final_key = k1 + k2[0]
elif len(k1) == 4:
final_key = k1 # 长度为四，则直接使用k1
else:
final_key = self.extract_two(k1)
3.5 当过滤之后的候选词个数大于等于3时
# 当候选词大于3个。
else:
if not key_list: # 没有候选词
pass
else:
k1 = key_list[0]
if name_type_dict[k1] == 'nx':
final_key = k1
else:
k2 = key_list[1]
k3 = key_list[2]
if len(k1) == 1: # 如果第一个单词长度为1.则最终结果为3或者4.
if len(k2) == 1:
if len(k3) ==1 or len(k3)==2:
# 当第三个为1或者2，最终长度为3或者4
final_key = k1 + k2 + k3
else: # 最终长度为4
final_key = k1 + k2 + k3[:2]
elif len(k2) == 2:
if len(k3) >= 2:
final_key = k1 + k2
else:
final_key = k1 + k2 + k3
elif len(k2) == 3:
final_key = k1 + k2
elif len(k1) == 2: # 第一个单词长度为2
if len(k2) == 1:
if len(k3) == 1:
final_key = k1 + k2 + k3
else:
final_key = k1 + k2
elif len(k2) == 2:
final_key = k1 + k2
else:
temp = k1 + k2
final_key = temp[:4]
elif len(k1) == 3:
if 'n' in name_type_dict[k1] :
final_key = k1
else:
if len(k2) == 1:
final_key = k1 + k2
else:
final_key = k1 + k2[0]
elif len(k1) == 4:
final_key = k1
else:
final_key = self.extract_two(k1)