如何从Wiktionary JSON Dump中提取个人姓名记录？

方法一：用JSON解析工具（推荐） #

正则处理JSON极易出错，优先用编程语言的JSON解析库处理，步骤如下：

• 读取JSON文件，将其解析为字典/对象结构
• 遍历每条记录，检查记录中是否包含given name或surname标签（注意统一转小写判断，适配Wiktionary可能的大小写差异）
• 筛选符合条件的记录并保存

Python示例代码：

import json

# 读取目标JSON文件
with open("wiktionary_proper_nouns.json", "r", encoding="utf-8") as f:
    data = json.load(f)

# 筛选含姓名标签的记录
name_records = []
for record in data:
    # 根据实际JSON结构调整字段名，示例假设标签存在于"tags"字段
    if "tags" in record:
        lower_tags = [tag.lower() for tag in record["tags"]]
        if "given name" in lower_tags or "surname" in lower_tags:
            name_records.append(record)

# 保存筛选结果
with open("extracted_names.json", "w", encoding="utf-8") as f:
    json.dump(name_records, f, ensure_ascii=False, indent=2)

方法二：正则匹配（仅当无法用JSON解析时） #

若必须用正则，先明确记录边界格式（比如每条记录以{"word":开头、},结尾），可参考以下思路：

• 匹配完整记录块：\{[^}]*"given name"[^}]*\}|{[^}]*"surname"[^}]*\}
• 需开启忽略大小写、匹配多行的正则参数，适配换行和大小写差异

Python正则示例代码：

import re
import json

# 读取文件内容
with open("wiktionary_proper_nouns.json", "r", encoding="utf-8") as f:
    content = f.read()

# 匹配含目标标签的记录
pattern = re.compile(r'\{[^}]*("given name"|"surname")[^}]*\}', re.IGNORECASE | re.DOTALL)
matches = pattern.findall(content)

# 转换为JSON对象（若匹配结果存在语法问题，需手动调整正则）
name_records = [json.loads(match) for match in matches]

# 保存结果
with open("extracted_names.json", "w", encoding="utf-8") as f:
    json.dump(name_records, f, ensure_ascii=False, indent=2)

注意事项 #

• 优先使用JSON解析库，正则处理JSON容易因嵌套对象、转义引号等格式问题出错
• 需确认Wiktionary JSON的具体结构，比如标签字段的实际名称（可能为"pos"或"categories"），调整代码中的字段判断逻辑
• 测试时先用小样本验证筛选逻辑，确保结果准确

内容的提问来源于stack exchange，提问作者Ne Mo