设计正则表达式以找到任何名词短语

Question

我正在尝试使用正则表达式(并且没有NLTK)构建一个chunker(或浅层解析器),但是无法提出一个正常的表达式来完成我想要它做的事情.这是我的直接目标:在自然语言文本中查找所有名词短语.

我的第一步是用我自己酿造的词性标记器标记所有句子,然后将标记/标记对列表加入到单个字符串中,如下所示:

'he PRN and CC bill NP could MOD hear VB them PRN on IN the DT large JJ balcony NN near IN the DT house NN'

我的下一步是使用正则表达式在字符串中搜索名词短语的实例.现在,名词短语的一般语言公式是:可选的确定词(DT),零个或多个形容词(JJ),以及名词(NN),专有名词(NP)或代词(PRN).给定这个通用公式,我尝试了这个正则表达式(请记住,标记的字符串在单词和标签之间交替):

'(\w+ DT)? (\w+ JJ)* (\w+ (NN|NP|PRN))'

这是我的代码:

text = 'he PRN and CC bill NP could MOD hear VB them PRN on IN the DT large JJ balcony NN near IN the DT house NN'

regex = re.compile(r'(\w+ DT)? (\w+ JJ)* (\w+ (NN|NP|PRN))')
m = regex.findall(text)

if m:
     print m

这是我的输出:

[('the DT', 'large JJ', 'balcony NN', 'NN')]

它没有找代词或专有名词,并且由于某种原因只匹配'\ w + DT\w + NN'模式中的'NN'.我认为我的正则表达式会匹配这些使用者,因为我将确定器模式设置为可选(？),将形容词模式设置为零或更多次(*).

克里斯

Answer 1

用这个:

(?:(?:\w+ DT )?(?:\w+ JJ )*)?\w+ (?:N[NP]|PRN)

见演示.

• (?:(?:\w+ DT )?(?:\w+ JJ )*)? 可选地匹配DT,然后是零或更多的主观
• '\ w +(？:N [NP] | PRN)'匹配NN,NP或PRN