Question

我正在使用mallet主题建模示例代码，虽然它运行正常但我想知道这个语句的参数究竟是什么意思？

instances.addThruPipe(new CsvIterator(new FileReader(dataFile),
                                      "(\\w+)\\s+(\\w+)\\s+(.*)",
                                      3, 2, 1)  // (data, target, name) field indices                    
                     );

Answer 1

来自documentation：

这个迭代器，可能更恰当地称为Line Pattern Iterator，它读取文件并根据正则表达式返回每行一个实例。

如果您有
形式的数据
[姓名] [标签] [数据]

您感兴趣的电话是

CsvIterator(java.io.Reader input, java.lang.String lineRegex, 
            int dataGroup, int targetGroup, int uriGroup)

第一个参数是如何读入数据，如文件阅读器或字符串阅读器。第二个参数是正则表达式，用于从读取器读取的每一行中提取数据。在您的示例中，您有(\\w+)\\s+(\\w+)\\s+(.*)转换为：

一个或多个字母数字字符（捕获组，这是实例的名称），后跟
一个或多个空格字符（制表符，空格，..），后跟
一个或多个字母数字字符（捕获组，这是标签/目标），然后是
一个或多个空格字符（制表符，空格，..），后跟
0个或更多字符（这是数据）

数字3, 2, 1表示数据排在最后，目标排在第二位，名称排在第一位。正则表达式基本上确保每行的格式如文档中所述：

test1 spam Wanna buy viagra?
test2 not-spam Hello, are you busy on Sunday?

CsvIterator是一个可怕的名称，因为它实际上不是此类读入的逗号分隔值，而是以空格分隔（空格，制表符，...）值。

Answer 2

上面给出的解释太好了。

然而，缺少一点。行正则表达式中输入实例的每个数据，标签和名称字段的正则表达式（正则表达式）序列需要与输入文件中提供实例的方式相对应，即，如果您提供名称作为第一个字段，数据作为输入文件中的第二个字段和标签为第3个字段，您必须首先提供名称的正则表达式，然后是数据的正则表达式，然后是标签的最后一个正则表达式。示例如下所示：

输入实例：Mail67（标签空间）TCC问题。您好，由于某种原因，Old Master Paintings部门的管理员无法从TCC获取信息。它似乎正在通过JDE，但在TCC上搜索时没有任何内容。您可以提供的任何帮助或指导....（标签空间）公司

CsvIterator参数：CsvIterator（新的FileReader（文件路径），＆＃34;（\ w +）\ t（。*）\ t \ t（\ w +）＆＃34;，2,3,1）

csvIterator的参数在Mallet中意味着什么？

2 个答案: