从模式中解析出元素

Question

我正在尝试解析来自自然语言解析器(Stanford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)

我想要得到的结果是：

['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发展方向。

但是，我对regex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)

然后卡住了。

第一个可以正确地获取第一个元素，例如'dep'、'amod'、'conj_or'，但我实际上还没有完全弄清楚它为什么会工作……

第二行是尝试获取第二个元素，例如'Company'、'rent'、'information'，但我只能获取单词后面的数字。我不知道怎么往前看而不是往后看……

顺便说一句，我也不知道如何处理像'non-affiliated'和"'ve"这样的异常。

有人能给点提示或帮助吗。非常感谢。

Answer 1

在不知道可能输出的全部范围的情况下，很难给出最佳答案，然而，这里有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同一行中的所有连续字母组([A-Za-z]表示大写A和Z之间的间隔以及小写a和z之间的间隔)或字符"_“和"'”。

此外，它还强制执行一个规则，即匹配的字符串不得在最后位置具有给定的字符列表([^...]是表示“不得包含任何字符(用字符列表替换"...”)“的语法)。

字符\对"(“或")”等字符进行转义，否则正则表达式引擎会将这些字符解析为指令。

最后，s是您在问题中给出的示例字符串...

哈！

Answer 2

下面是你要找的东西：([\w-]*)\(([\w-]*)-\d*, ([\w-]*)-\d*\)

[\w-]*周围的括号用于分组，以便您可以通过以下方式访问数据：

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，我推荐使用Python+PyQT编写的"Kodos“程序来学习和测试正则表达式。它是我最喜欢的测试正则表达式的工具。

Answer 3

如果解析器的结果像建议的那样规则，那么正则表达式可能不是必需的：

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"]]