从TAG格式创建更复杂的正则表达式

Question

所以我无法弄清楚我的正则表达式有什么问题。 （原始对话，包括对这些TAG格式的解释，可在此处找到：Translate from TAG format to Regex for Corpus）。

我开始使用这样的字符串：

  

Arms_NNS folded_VVN，_，

NNS也可以是NN，VVN也可以是VBG。我只想找到具有相同标签的其他字符串（NNS或NN后跟b VVN或VBG后跟逗号）。

以下正则表达式是我尝试使用的，但它找不到任何东西：

[\w-]+_(?:NN|NNS)\W+[\w-]+ _(?:VBG|VVN)\W+[\w-]+ _,

Answer 1

给定输入字符串

Arms_NNS folded_VVN ,_,

以下正则表达式

(\w+_(?:NN|NNS) \w+_(?:VBG|VVN) ,_,)

匹配整个字符串（并捕获它 - 如果您不知道这意味着什么，这可能意味着它对您无关紧要。）

给定一个更长的字符串（我编写的）

Dog_NN Arms_NNS folded_VVN ,_, burp_VV

它仍然匹配你想要的部分。

如果_VVN部分是可选的，您可以使用

(\w+_(?:NN|NNS) (?:\w+_(?:VBG|VVN) )?,_,)

匹配witout，或者只匹配一个word_VVN / word_VBG部分。

您的更一般性问题：

我发现很难解释这些事情是如何运作的。我将尝试解释组成部分：

• \ w匹配单词字符 - 您通常希望在单词中找到的字符
• \ w *匹配其中一个或多个
• （NN | NNS）表示“匹配NN或NNS”
• ？：表示“匹配但不捕获” - 建议使用Google搜索与正则表达式相关的捕获方式。
• ？单独表示“在我之前匹配0或1 - 所以x？匹配”“或”x“但不匹配”xx“。
• _中的所有字符都不是特殊的，所以我们可以将它们放在正则表达式中来匹配它们。

正则表达式的一个问题是\ w与逗号（仅“单词字符”）不匹配。

我不知道[\ w-]是做什么的。看起来有点奇怪。我认为它可能无效，但我不确定。

我的解决方案假设您的标记词之间只有一个空格，没有别的。