Question

我正在尝试使用注释列表标记术语。我特别想要实现的是，如果Perl正则表达式从句子中识别出一个术语，它应该用标签标记该术语。

例如：

This drug has adverse effect on Lymphocytes, Lymphnodes, Lymph and pre-lymphocytes.

我的列表中有Lymph这个词，我正在尝试以下脚本。

open IN, "clean_cells.txt" or die "import file absent";
@array=<IN>;
foreach $words(@array)  
{
    @cells=split/\t/,$words;
    $value=$cells[0];
    $replace=$cells[1];
    foreach my $fp (glob("$Directory/*.txt")) 
    {
        @id=split('/',$fp);
        $id[1]=~s/.txt//ig; 
        $Pub=$id[1];
        open FILE, "<",$fp or die "Can't open $fp: $!";
        open OUT, ">C:\\Users\\Desktop\\TM\\Files\\$Pub" or die "Check      output status";
        while(<FILE>)
        {
            chomp $_;
            $line=$_;
            s/\b[\w\-]*$value[\w\-]*\b/<$replace>$&<\\$replace>/gi;
            # $string[$i]=$line;
            # while(($string[$i]=~m/\Q$value\E/i)||                                      ($string[$i]=~m/\Q$value(\w+)\E/i)||($string[$i]=~m/\Q(\w+)$value\E/i))
            # # if ($string[$i] =~ m/\b\w*$value\w*\b/i)
            # {
                # $value=~s/$value/<$replace>$value<\$replace>/i;
            # }
            print OUT "$line\n";
        }
        last;

    }   
    last;
}

我希望最后一句应该是这样的：

This drug has adverse effect on tag Lymphocytes tag, tag Lymphnodes tag, tag Lymph tag and tag pre-lymphocytes tag.

tag：代表上面脚本中的$ replace。

该程序标记基础词lymoh而不是整个术语淋巴细胞，淋巴细胞。

Answer 1

尝试这样做（脚本重写）：

use strict; use warnings;

my $pub = "SOMETHING I HAVE TO CHANGE FOR THE SCRIPT TO WORK";
my $fp = "clean_cells.txt";
my $of = "C:\\Users\\Hrishi\\Desktop\\TM\\Files\\$Pub";
my $replace = 'tag';
my $word = "Lymph";

open FILE, "<", $fp or die "Can't open $fp: $!";
open OUT,  ">", $of or die "Check output status";

while (<FILE>) {
    chomp;
    s/\b[\w\-]*$word[\w\-]*\b/<$replace>$&<\\$replace>/gi;
    print OUT $_; print;
}

修改：

\b表示word boundary

$&表示最后一个正则表达式的完整匹配部分

[\w\-]是一类字符：字母数字 + _和-

最终gi修饰符分别表示所有出现和不区分大小写

Answer 2

你需要把你的话放在一起。棘手的部分是确定哪些角色可以组成单词。一种更简单的方法（但可能不那么精确）是确定构成分隔符的内容。例如，您可以使用\S+来匹配连续的非空白字符：

use strict;
use warnings;

while (<DATA>) {
    for (split /(\S+)/) {    # The parens make the split keep the delimiters
        $_ = "<tag>$_</tag>" if /lymph/i;
        print;
    }
}

__DATA__
Lymphocytes, Lymphnodes, Lymph and pre-lymphocytes.

<强>输出：

<tag>Lymphocytes,</tag> <tag>Lymphnodes,</tag> <tag>Lymph</tag> and <tag>pre-lymphocytes.</tag>

请注意，这是一种非破坏性方法，因为拆分正则表达式中的parens将捕获并返回字符串的所有部分。

这个简单的代码将保留您的空白，但正如您所看到的，它会在您的标记中放入逗号和其他此类分隔符。这可以通过使用另一个字符类来修复，例如[^\s,.!?]+（不是空格，逗号，句点，感叹号或问号）。

如果将<DATA>替换为<>，则可以将此脚本与重定向配合使用，并跳过有关打开输入和输出文件的代码。

perl script.pl input > output

我个人更喜欢这样的功能，而不是硬编码的文件路径，而且通常是* nix程序的工作方式。

Perl正则表达式标记整个术语

2 个答案: