Python技法之如何用re模塊實現(xiàn)簡易tokenizer

更新時間：2022年05月01日 08:36:28 作者：orion-orion

當我們在Python中開始新的東西時,我通常首先看一些模塊或庫來使用,下面這篇文章主要給大家介紹了關(guān)于Python技法之如何用re模塊實現(xiàn)簡易tokenizer的相關(guān)資料,需要的朋友可以參考下

一個簡單的tokenizer

分詞（tokenization）任務是Python字符串處理中最為常見任務了。我們這里講解用正則表達式構(gòu)建簡單的表達式分詞器（tokenizer），它能夠?qū)⒈磉_式字符串從左到右解析為標記(tokens)流。

給定如下的表達式字符串：

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記模式（所謂模式（pattern），為用來描述或者匹配/系列匹配某個句法規(guī)則的字符串，這里我們用正則表達式來做為模式），注意此處要包括空格whitespace，否則字符串中出現(xiàn)任何模式中沒有的字符后，掃描就會停止。因為我們還需要給標記以NAME、EQ等名稱，我們采用正則表達式中的命名捕獲組來實現(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，()表示一個正則表達式捕獲組，合在一起即一個命名捕獲組
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]))  # | 用于選擇多個模式，表示"或"

接下來我們用模式對象中的scanner()方法來完成分詞操作，該方法創(chuàng)建一個掃描對象：

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

當然這樣一次一次調(diào)用過于麻煩，我們可以使用迭代器來批量調(diào)用，并將單次迭代結(jié)果以具名元組形式存儲

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')

過濾tokens流

接下來我們想要過濾掉空格標記，使用生成器表達式即可：

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在正則表達式(即"|".join([NAME, EQ, NUM, PLUS, TIMES, WS]))中順序也非常重要。因為在進行匹配時，re模塊就會按照指定的順序?qū)δＪ阶銎ヅ?。故若碰巧某個模式是另一個較長模式的子串時，必須保證較長的模式在前面優(yōu)先匹配。如下面分別展示正確的和錯誤的匹配方法：

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]))  # 錯誤的順序

第二種順序的錯誤之處在于，這樣會把'<='文本匹配為LT('<')緊跟著EQ('=')，而沒有匹配為單獨的LE(<=)。

我們對于“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實際上成了另一個模式的子串，導致另一個模式的匹配出現(xiàn)了問題：

# Token(type='PRINT', value='print')
# Token(type='NAME', value='er')

更高級的語法分詞，建議采用像PyParsing或PLY這樣的包。特別地，對于英文自然語言文章的分詞，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）。對于中文自然語言處理分詞也有豐富的工具（比如jieba分詞工具包）。

引用

[1] Martelli A, Ravenscroft A, Ascher D. Python cookbook[M]. " O'Reilly Media, Inc.", 2015.

總結(jié)

到此這篇關(guān)于Python技法之如何用re模塊實現(xiàn)簡易tokenizer的文章就介紹到這了,更多相關(guān)Python re模塊實現(xiàn)tokenizer內(nèi)容請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！

您可能感興趣的文章: