UIMA RUTA -如何使用正则表达式和组查找和替换

Question

鲁塔新手来了。我正在使用RUTA处理一个文档，在开始注释之前，我需要做大量的规范化工作。我正在试图找到最好的方法来使用RUTA中的原始文档中的正则表达式和组来查找和替换字符序列。本质上，我试图了解如何在RUTA中执行类似于String.replaceAll的操作。

例如，在Java中，

inputString = inputString.replaceAll( "(?i)7\\s*\\(SEVEN\\)", "7");

但我想不出一个简单的方法在鲁塔实现这一点。

谢谢

Answer 1

一般来说，这并不简单，因为您不能在CAS中更改文档文本。

UIMA中有一些修改文档的功能，但是需要将结果存储在另一个CAS视图或其他文件中。以下是一些一般性意见：

• 简单的正则表达式可用于匹配模式，如您的问题：http://uima.apache.org/d/ruta-current/tools.ruta.book.html#ugr.tools.ruta.language.regexprule
• 操作替换使您能够记住修改。
• 修饰符分析引擎能够执行修改，并且能够将修改后的文档存储在附加的CAS视图和附加的HMTL文件中(HMTL，因为修饰符还可以添加有色跨度)。
• 如果要使用“ViewWriter”，则_initialView anaylsis引擎可以将视图复制到另一个视图。
• 如果您的文档包含注释，并且这些注释在替换后也应该是有效的，那么需要不同的功能。HTMLConverter有一些替换参数，但如果没有更多信息或进一步的测试，我不知道它是否解决了这个用例中的问题。

下面是您问题中示例的脚本：

ENGINE utils.Modifier;
ENGINE utils.ViewWriter;
TYPESYSTEM utils.SourceDocumentInformation;
DECLARE ToReplace;

// just create an annotation
"(?i)7\\s*\\(SEVEN\\)" -> ToReplace;

// replace the text covered by all annotations with the string "7"
ToReplace{-> REPLACE("7")}; 
//... the annotation should be removed again with UNMARK before different replacements are performed...  
// it is also possible to do this in a more generic way with features and variables

// ... either store the changed text in the "modified" view and in an additional html file
Document{-> CONFIGURE(Modifier, "outputLocation" = "D:/modified/"), EXEC(Modifier)};

// ... or store the changed text in the "modified" view and in an additional xmiCAS
Document{-> EXEC(Modifier), CONFIGURE(ViewWriter, "inputView" = "modified", "output" = "../modified/"), EXEC(ViewWriter)};

值得一提的是: Modfier有一些小错误，导致空白空间加倍。

对替代者进行建模的一种更通用的方法可以是：

DECLARE Annotation ToReplace(STRING r);
"(?i)(7)\\s*\\(SEVEN\\)" -> ToReplace ("r" = 1);
ToReplace{-> REPLACE(ToReplace.r)};

ToReplace注释现在有了一个额外的字符串特性，它存储应该替换注释覆盖文本的值。regexp表达式有一个额外的捕获组，用于指定注释中的字符串(使用捕获组的数量分配值)。替换规则现在更通用了，因为实际值不需要在操作中给出，但是特性的值是应用的。因此，最后一条规则可以用于其他规则指定的任何替换。

在修改后的文本上操作的连续替换通常需要在管道中指定，因为以后的规则需要对不同的视图进行操作。在中，可以在单独的脚本文件中定义查找/替换，然后对每个脚本文件使用一个启动配置。启动配置能够指定输入和输出文件夹。结合ViewWriter，用户可以构建一个脚本文件链，这些脚本文件可以在以前的脚本文件的输出文件夹中操作。

连续的替换也可以在一个脚本文件中完成，但有一些限制。替换操作实际上将新文本存储在每个RutaBasic注释的替换特性中。第一个RutaBasic获得完整的新字符串，另一个RutaBasic被设置为空字符串。当修饰符创建新文本时，Ruta基本注释的覆盖文本将被功能的值替换，因此第一个令牌被完全替换字符串替换，而另一个令牌被删除。了解此过程后，规则可以操作依赖于先前的替换，并更改各自的特征值。总的来说，连续的替换是可能的，但不是简单的。