Python利用re模塊實(shí)現(xiàn)簡(jiǎn)易分詞(tokenization)
一個(gè)簡(jiǎn)單的tokenizer
分詞(tokenization)任務(wù)是Python字符串處理中最為常見(jiàn)任務(wù)了。我們這里講解用正則表達(dá)式構(gòu)建簡(jiǎn)單的表達(dá)式分詞器(tokenizer),它能夠?qū)⒈磉_(dá)式字符串從左到右解析為標(biāo)記(tokens)流。
給定如下的表達(dá)式字符串:
text = 'foo = 12 + 5 * 6'
我們想要將其轉(zhuǎn)換為下列以序列對(duì)呈現(xiàn)的分詞結(jié)果:
tokens = [('NAME', 'foo'), ('EQ', '='), ('NUM', '12'), ('PLUS', '+'),\
('NUM', '5'), ('TIMES', '*'), ('NUM', '6')]
要完成這樣的分詞操作,我們首先需要定義出所有可能的標(biāo)記模式(所謂模式(pattern),為用來(lái)描述或者匹配/系列匹配某個(gè)句法規(guī)則的字符串,這里我們用正則表達(dá)式來(lái)做為模式),注意此處要包括空格whitespace,否則字符串中出現(xiàn)任何模式中沒(méi)有的字符后,掃描就會(huì)停止。因?yàn)槲覀冞€需要給標(biāo)記以NAME、EQ等名稱,我們采用正則表達(dá)式中的命名捕獲組來(lái)實(shí)現(xiàn)。
import re
NAME = r'(?P<NAME>[a-zA-Z_][a-zA-Z_0-9]*)'
# 這里?P<NAME>表示模式名稱,()表示一個(gè)正則表達(dá)式捕獲組,合在一起即一個(gè)命名捕獲組
EQ = r'(?P<EQ>=)'
NUM = r'(?P<NUM>\d+)' #\d表示匹配數(shù)字,+表示任意數(shù)量
PLUS = r'(?P<PLUS>\+)' #需要用\轉(zhuǎn)義
TIMES = r'(?P<TIMES>\*)' #需要用\轉(zhuǎn)義
WS = r'(?P<WS>\s+)' #\s表示匹配空格, +表示任意數(shù)量
master_pat = re.compile("|".join([NAME, EQ, NUM, PLUS, TIMES, WS])) # | 用于選擇多個(gè)模式,表示"或"
接下來(lái)我們用模式對(duì)象中的scanner()方法來(lái)完成分詞操作,該方法創(chuàng)建一個(gè)掃描對(duì)象:
scanner = master_pat.scanner(text)
然后可以用match()方法獲取單次匹配結(jié)果,一次匹配一個(gè)模式:
scanner = master_pat.scanner(text) m = scanner.match() print(m.lastgroup, m.group()) # NAME foo m = scanner.match() print(m.lastgroup, m.group()) # WS
當(dāng)然這樣一次一次調(diào)用過(guò)于麻煩,我們可以使用迭代器來(lái)批量調(diào)用,并將單次迭代結(jié)果以具名元組形式存儲(chǔ)
Token = namedtuple('Token', ['type', 'value'])
def generate_tokens(pat, text):
scanner = pat.scanner(text)
for m in iter(scanner.match, None):
#scanner.match做為迭代器每次調(diào)用的方法,
#None為哨兵的默認(rèn)值,表示迭代到None停止
yield Token(m.lastgroup, m.group())
for tok in generate_tokens(master_pat, "foo = 42"):
print(tok)
最終顯示表達(dá)式串"foo = 12 + 5 * 6"的tokens流為:
Token(type='NAME', value='foo') Token(type='WS', value=' ') Token(type='EQ', value='=') Token(type='WS', value=' ') Token(type='NUM', value='12') Token(type='WS', value=' ') Token(type='PLUS', value='+') Token(type='WS', value=' ') Token(type='NUM', value='5') Token(type='WS', value=' ') Token(type='TIMES', value='*') Token(type='WS', value=' ') Token(type='NUM', value='6')
過(guò)濾tokens流
接下來(lái)我們想要過(guò)濾掉空格標(biāo)記,使用生成器表達(dá)式即可:
tokens = (tok for tok in generate_tokens(master_pat, "foo = 12 + 5 * 6")
if tok.type != 'WS')
for tok in tokens:
print(tok)
可以看到空格被成功過(guò)濾:
Token(type='NAME', value='foo') Token(type='EQ', value='=') Token(type='NUM', value='12') Token(type='PLUS', value='+') Token(type='NUM', value='5') Token(type='TIMES', value='*') Token(type='NUM', value='6')
注意子串匹配陷阱
tokens在正則表達(dá)式(即"|".join([NAME, EQ, NUM, PLUS, TIMES, WS]))中順序也非常重要。因?yàn)樵谶M(jìn)行匹配時(shí),re模塊就會(huì)按照指定的順序?qū)δJ阶銎ヅ洹9嗜襞銮赡硞€(gè)模式是另一個(gè)較長(zhǎng)模式的子串時(shí),必須保證較長(zhǎng)的模式在前面優(yōu)先匹配。如下面分別展示正確的和錯(cuò)誤的匹配方法:
LT = r'(?P<LT><)'
LE = r'(?P<LE><=)'
EQ = r'(?P<EQ>>=)'
master_pat = re.compile("|".join([LE, LT, EQ])) # 正確的順序
master_pat = re.compile("|".join([LT, LE, EQ])) # 錯(cuò)誤的順序
第二種順序的錯(cuò)誤之處在于,這樣會(huì)把'<='文本匹配為L(zhǎng)T('<')緊跟著EQ('='),而沒(méi)有匹配為單獨(dú)的LE(<=)。
我們對(duì)于“有可能”形成子串的模式也要小心,比如下面這樣:
PRINT = r'(?P<PRINT>print)'
NAME = r'(?P<NAME>[a-zA-Z_][a-zA-Z_0-9]*)'
master_pat = re.compile("|".join([PRINT, NAME])) # 正確的順序
for tok in generate_tokens(master_pat, "printer"):
print(tok)
可以看到被print實(shí)際上成了另一個(gè)模式的子串,導(dǎo)致另一個(gè)模式的匹配出現(xiàn)了問(wèn)題:
# Token(type='PRINT', value='print') # Token(type='NAME', value='er')
更高級(jí)的語(yǔ)法分詞,建議采用像PyParsing或PLY這樣的包。特別地,對(duì)于英文自然語(yǔ)言文章的分詞,一般被集成到各類NLP的包中(一般分為按空格拆分、處理前后綴、去掉停用詞三步驟)。對(duì)于中文自然語(yǔ)言處理分詞也有豐富的工具(比如jieba分詞工具包)。
到此這篇關(guān)于Python利用re模塊實(shí)現(xiàn)簡(jiǎn)易分詞(tokenization)的文章就介紹到這了,更多相關(guān)Python 分詞內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
python中dir()與__dict__屬性的區(qū)別淺析
這篇文章主要給大家介紹了關(guān)于python中dir()與__dict__屬性的區(qū)別的相關(guān)資料,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2018-12-12
python+mediapipe+opencv實(shí)現(xiàn)手部關(guān)鍵點(diǎn)檢測(cè)功能(手勢(shì)識(shí)別)
這篇文章主要介紹了python+mediapipe+opencv實(shí)現(xiàn)手部關(guān)鍵點(diǎn)檢測(cè)功能(手勢(shì)識(shí)別),本文僅僅簡(jiǎn)單介紹了mediapipe的使用,而mediapipe提供了大量關(guān)于圖像識(shí)別等的方法,需要的朋友可以參考下2022-01-01
使用Pytorch實(shí)現(xiàn)two-head(多輸出)模型的操作
這篇文章主要介紹了使用Pytorch實(shí)現(xiàn)two-head(多輸出)模型的操作,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2021-05-05

