Question

我试图解析自然语言解析器（斯坦福解析器）的结果输出。部分结果如下：

dep(Company-1, rent-5')
conj_or(rent-5, share-10)
amod(information-12, personal-11)
prep_about(rent-5, you-14)
amod(companies-20, non-affiliated-19)
aux(provide-23, to-22)
xcomp(you-14, provide-23)
dobj(provide-23, products-24)
aux(requested-29, 've-28)

我想要获得的结果是：

['dep', 'Company', 'rent']
['conj_or', 'rent', 'share']
['amod', 'information', 'personal']
...
['amod', 'companies', 'non-affiliated']
...
['aux', 'requested', "'ve"]

首先，我尝试直接获取这些元素，但失败了。然后我意识到正则表达式应该是正确的前进方式。

但是，我对正则表达式完全不熟悉。通过一些探索，我得到了：

m = re.search('(?<=())\w+', line)
m2 =re.search('(?<=-)\d', line)

并且卡住了。

第一个可以正确地获得第一个元素，例如'dep'，'amod'，'conj_or'，但实际上我还没弄清楚它为何有效......

第二行试图获得第二个元素，例如'Company'，'rent'，'information'，但我只能在单词后面输入数字。我无法弄清楚如何看待而不是向后看...

顺便说一句，我也无法弄清楚如何处理'non-affiliated'和"'ve"等异常。

任何人都可以提供一些提示或帮助。非常感谢。

Answer 1

以下是您正在寻找的内容： ([\w-]*)\(([\w-]*)-\d*, ([\w-]*)-\d*\)

[\w-]*周围的括号用于分组，因此您可以访问数据：

ex = r'([\w-]*)\(([\w-]*)-\d*, ([\w-]*)-\d*\)'
m = re.match(ex, line)
print(m.group(0), m.group(1), m.group(2))

顺便说一句，我建议使用Python + PyQT编写的“Kodos”程序来学习和测试正则表达式。这是我最喜欢的测试正则表达式的工具。

Answer 2

在不知道可能的全部输出的情况下很难给出最佳答案，但是，这是一个可能的解决方案：

>>> [re.findall(r'[A-Za-z_\'-]+[^-\d\(\)\']', line) for line in s.split('\n')]
[['dep', 'Company', 'rent'], 
 ['conj_or', 'rent', 'share'], 
 ['amod', 'information', 'personal'], 
 ['prep_about', 'rent', 'you'], 
 ['amod', 'companies', 'non-affiliated'], 
 ['aux', 'provide', 'to'], 
 ['xcomp', 'you', 'provide'], 
 ['dobj', 'provide', 'products'], 
 ['aux', 'requested', "'ve"]]

它的工作原理是找到所有连续字母组（[A-Za-z]代表大写字母A和Z之间的间隔以及小a和z）或字符“_”和“'”在同一行中。

此外，它强制执行以下规则：匹配的字符串在最后位置不得包含给定的字符列表（[^...]的语法是“不得包含任何字符（替换”......）用字符列表））。

字符\将转义那些字符，例如“（”或“）”，否则将由正则表达式引擎解析为指令。

最后，s是您在问题中提供的示例字符串...

HTH！

Answer 3

如果解析器的结果与建议的一样，则可能没有必要使用正则表达式：

from pprint import pprint

source = """
dep(Company-1, rent-5')
conj_or(rent-5, share-10)
amod(information-12, personal-11)
prep_about(rent-5, you-14)
amod(companies-20, non-affiliated-19)
aux(provide-23, to-22)
xcomp(you-14, provide-23)
dobj(provide-23, products-24)
aux(requested-29, 've-28)
"""

items = []

for line in source.splitlines():
    head, sep, tail = line.partition('(')
    if head:
        item = [head]
        head, sep, tail = tail.strip('()').partition(', ')
        item.append(head.rpartition('-')[0])
        item.append(tail.rpartition('-')[0])
        items.append(item)

pprint(items)

输出：

[['dep', 'Company', 'rent'],
 ['conj_or', 'rent', 'share'],
 ['amod', 'information', 'personal'],
 ['prep_about', 'rent', 'you'],
 ['amod', 'companies', 'non-affiliated'],
 ['aux', 'provide', 'to'],
 ['xcomp', 'you', 'provide'],
 ['dobj', 'provide', 'products'],
 ['aux', 'requested', "'ve"]]

从模式中解析元素

3 个答案: