Question

我有一句话：

text = "Alun-alun/NNP Jombang/NNP tepatnya/RB Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP pagi/NN :/: :/: :/: Minggu/NNP"

我想从标记/IN中提取任何单词，直到带有/NNP标记的最后一个单词。

到目前为止，代码可以提取Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP pagi/NN :/: :/: :/: Minggu/NNP。但是如果代码符合/:或/IN标记，我希望它停止。这是迄今为止的代码：

import re

def entityExtract(text):
    # text = re.findall(r'([^\s/]*/IN\b[^/]*(?:/(?!IN\b)[^/]*)*/NNP\b)', text)
    text = re.findall(r'([^\s/]*/IN\b[^/]*(?:/(?!IN\b)[^/]*)*/(?:NNP|CDP)\b)', text)
    return text

text = "Alun-alun/NNP Jombang/NNP tepatnya/RB Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP pagi/NN :/: :/: :/: Minggu/NNP"

extract = entityExtract(text)

print text
print extract

输出：

['Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP pagi/NN :/: :/: :/: Minggu/NNP']

预期结果是：

['Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP]

解决问题的最佳方法是什么？

Answer 1

[^\s/]*/IN\b([^/]*/(?!IN\b|:\b)[^\s^/]*\b)*[^/]*/NNP\b

我对@DYZ感到困惑，关于你想要停止的地方，所以我的正则表达式基于你的输出。
我相信你想要提取字符串的'word/tag'部分，word+tag是强耦合的。

您希望在不包含标记的情况下停止标记的位置由此组(?!IN\b|:\b|NN\b)

控制

检查正则表达式here

Answer 2

我看了@bulbus和@ytomo在评论中显示的正则表达式的答案，其中包括：

[^\s/]*/IN\b[^/]*(?:/(?!IN\b|:\b)[^/]*\b)*/(?:NNP|CDP)\b

我的问题是，这个 - 以及其他提议 - 不遵循逻辑顺序来为手头的问题创建正则表达式。让我告诉你：

第一部分，在重复小组[^\s/]*/IN\b[^/]*之前，我将简化为\w+/IN\b [^ /] *＆＃39;匹配超过你想要的。请看example 1。

你在这里用语言解决的是：

阅读\ w + / IN组
后跟任意数量的\ s [^ /] + / \ w +组，这不是\ w + / IN \ b
只要你能阅读.....直到
....你已经找到了你能找到的最后一个NNP或CDP组。

将其直接翻译为正则表达式，您将获得更易读的版本。（JMHO）

\w+/IN\b(\s[^/]+/[^\s]+)在IN-group（example 2）
\w+/IN\b(\s[^/]+/[^\s]+)*重复第二组（example 3）
\w+/IN\b(\s[^:/]+/(?!IN|:)[^\s]+)*忽略：/：和\ w + / IN组（example 4）
\w+/IN\b(\s[^:/]+/(?!IN|:)[^\s]+)*\s\w+/(NNP|CDP)\b确保您的上一组是NNP或CDP（example 5）

如果我们在前面的答案的评论中将这个与@ytomo的提议结果进行比较，似乎没有太大的区别。然而，我甚至不愿回答的原因是，正则表达式应该是可读的并且根据某些逻辑。你的代码将在明天开始生产，并且 - 当你的代码中断时 - 有人必须在一段时间的压力下检查它。

如何使用正则表达式和python将文本提取限制为特定字符

2 个答案: