解析食谱的自然语言成分数量[关闭]

我正在构建一个红宝石配方管理应用程序，作为其中的一部分，我希望能够将成分数量解析为可以比较和缩放的形式。我想知道执行此操作的最佳工具是什么。

我最初计划使用一个复杂的正则表达式，然后使用一些其他代码来转换人类可读的数字，例如two or five转换为整数，最后是转换的代码1 cup and 3 teaspoons进入一些基本测量。我控制输入，所以我将实际成分分开。然而，我注意到用户输入抽象测量值，例如to taste and 1 package。至少对于抽象的测量，我认为我可以忽略它们并缩放并刮掉它们之前的任何数字。

这里还有一些例子

1 tall can
1/4 cup
2 Leaves
1 packet
To Taste
One
Two slices
3-4 fillets
Half-bunch
2 to 3 pinches (optional)

这其中有什么技巧吗？我注意到用户似乎对数量的构成有些困惑。我可以尝试执行更严格的规则并推动诸如tall can and leaves进入配料部分。然而，为了强制执行这一点，我需要能够传达无效内容。

我也不确定我应该将数量转换成什么“基本”测量值。

这些是我的目标。

1. 能够扩展食谱。任意测量单位，例如packages不必按比例缩放，但要精确，例如cups or ounces需要。

2. 找出“主要”成分。在这个问题的背景下，这主要是通过弄清楚配方中最大的成分是什么来完成的。在生产中，必须根据成分类型使用某种改性剂，因为显然，flour几乎从未被视为“主要”成分。然而，chocolate可以省用一下，还是可以说是chocolate cake.

3. 标准化输入。为了保持网站的一致性，我想保持一致的缩写。例如，代替pounds， 它应该是lbs.

您提出了两个问题，识别/提取数量表达式（语法）并弄清楚它们的含义（语义）。

在你弄清楚正则表达式是否足以认出对于数量，您应该为自己建立一个良好的架构（语法）来了解它们的外观。你的例子看起来像这样：

<amount> <unit> [of <ingredient>]

where <amount>可以采取多种形式：

whole or decimal number, in digits (250, 0.75)
common fraction (3/4)
numeral in words (half, one, ten, twenty-five, three quarters)
determiner instead of a numeral ("an onion")
subjective (some, a few, several)

金额也可以表示为两个简单的范围<amount>s:

two to three
2 to 3
2-3
five to 10

然后你就有了单位本身：

general-purpose measurements (lb, oz, kg, g; pounds, ounces, etc.)
cooking units (Tb, tsp)
informal units (a pinch, a dash)
container sizes (package, bunch, large can)
no unit at all, for countable ingredients (as in "three lemons")

最后，有一种特殊情况的表达式永远不能与金额或单位组合，因此它们有效地充当两者的组合：

a little
to taste

我建议将其视为一个小型解析器，您可以根据需要将其制作得尽可能详细或粗糙。如果这是您选择的工具，那么为所有这些编写正则表达式应该不会太难，但正如您所见，这不仅仅是文本替换的问题。将零件拉出来并将每种成分表示为三元组(amount, unit, ingredient)。 （对于可数，使用特殊单位“件”或其他单位；对于“一点”之类的，我将它们视为特殊单位）。

这就留下了一个问题转换或比较数量。很多地方都进行了单位换算，因此至少对于官方单位，您应该可以轻松获取换算表。例如，如果您输入“将 4 盎司转换为克”，Google 就会执行此操作。请注意，一汤匙是三茶匙或四茶匙 http://www.asknumbers.com/TablespoonToTeaspoon.aspx，取决于国家/地区。

对于明确定义的单位，您可以很容易地标准化为您最喜欢的单位，但非正式单位有点棘手。对于“捏”、“破折号”等，我建议找出大概的重量，以便您可以正确缩放（十捏 = 2 克，或其他）。罐头之类的东西是没有希望的，除非你能查到特定产品的尺寸。

另一方面，主观量是最简单的：如果你将“品尝”扩大十倍，它仍然是“品尝”！

最后一个想法：还需要某种成分数据库认识主要成分，因为大小很重要：“一个鸡蛋”可能不是主要成分，但“一只小山羊，切成四等分”很可能是。我会考虑将其用于版本 2。