2

我需要的字符串((VBD)(((JJ))(CC)((RB)(JJ)))((IN)((DT)(JJ)(NNP)(NNPS))))是:

"JJ", "RBJJ", "DTJJNNPNNPS", "JJCCRBJJ", "INDTJJNNPNNPS" "VBDJJCCRBJJINDTJJNNPNNPS"

也就是说,要查找最里面的括号之间的文本,请删除紧邻的括号,以便可以组合和提取文本。但这包括不同的层次。括号的揭开不能一次完成,因为括号的 no, 失去了平衡:

str1<-c()
str2<-c()
library(gsubfn)
strr<-c("((VBD)(((JJ))(CC)((RB)(JJ)))((IN)((DT)(JJ)(NNP)(NNPS))))")
repeat {
str1<-unlist(strapply(strr, "((\\(([A-Z])+\\))+)"))
str2<-append(str1, str2)
strr<-gsub("(\\(\\w+\\))", "~\\1~", strr)
strr<-gsub("~\\(|\\)~", "", strr)
if (strr == "") {break}
}

strr
[1] "(VBD(JJCCRBJJINDTJJNNPNNPS"

左括号阻止了文本的组合,使其逃脱了正则表达式。我认为解决这个问题的方法是区分最里面的括号(JJ、RB、JJ、DT、JJ、NNP、NNPS、(新鲜字符串上的 2、4、5、7、8、9、10))和内部括号括号。这样当所有最里面的括号都被逐步揭开,文本合并提取时,我们将到达整个字符串。是否有正则表达式可以做到这一点?或者还有其他方法吗?请帮忙。

4

3 回答 3

4

这不使用正则表达式。事实上,我不确定 regexp 是否足够强大来解决问题以及解析器是否必要。我没有在 R 中创建/定义解析器,而是利用现有的R代码解析器。这样做会使用一些相当具有潜在危险的技巧。

基本思想是将字符串转换为可解析的代码,该代码使用列表生成树结构。然后这个结构被有效地反向修剪(只保留叶子节点向内),并创建每个级别的各种字符串。

一些辅助包

library("plotrix")
library("plyr")

您提供的原始字符串

strr<-c("((VBD)(((JJ))(CC)((RB)(JJ)))((IN)((DT)(JJ)(NNP)(NNPS))))")

将此字符串转换为可解析的代码,引用括号内的内容,然后使每组括号调用list. 必须在列表项之间插入逗号,但最里面的部分始终是长度为 1 的列表,所以这不是问题。然后解析代码。

tmp <- gsub("\\(([^\\(\\)]*)\\)",  '("\\1")', strr)
tmp <- gsub("\\(", "list(", tmp)
tmp <- gsub("\\)list", "),list", tmp)
tmp <- eval(parse(text=tmp))

此时,tmp看起来像

> str(tmp)
List of 3
 $ :List of 1
  ..$ : chr "VBD"
 $ :List of 3
  ..$ :List of 1
  .. ..$ :List of 1
  .. .. ..$ : chr "JJ"
  ..$ :List of 1
  .. ..$ : chr "CC"
  ..$ :List of 2
  .. ..$ :List of 1
  .. .. ..$ : chr "RB"
  .. ..$ :List of 1
  .. .. ..$ : chr "JJ"
 $ :List of 2
  ..$ :List of 1
  .. ..$ : chr "IN"
  ..$ :List of 4
  .. ..$ :List of 1
  .. .. ..$ : chr "DT"
  .. ..$ :List of 1
  .. .. ..$ : chr "JJ"
  .. ..$ :List of 1
  .. .. ..$ : chr "NNP"
  .. ..$ :List of 1
  .. .. ..$ : chr "NNPS"

括号的嵌套现在是列表的嵌套。需要更多的辅助函数。第一个折叠低于某个深度的所有内容,并丢弃高于该深度的任何节点。第二个只是粘贴的包装器,用于共同处理列表中的一个元素。

atdepth <- function(l, d) {
  if (d > 0 & !is.list(l)) {
    return(NULL)
  }
  if (d == 0) {
    return(unlist(l))
  }
  if (is.list(l)) {
    llply(l, atdepth, d-1)
  }
}

pastelist <- function(l) {paste(unlist(l), collapse="", sep="")}

创建一个列表,其中每个元素都是折叠到特定深度的树结构。

down <- llply(1:listDepth(tmp), atdepth, l=tmp)

向后迭代此列表,将叶子集粘贴在一起。向后“向上”(折叠)树。这样做会产生一些空白字符串(上面有一片叶子),所以这些被修剪掉了。

out <- if (length(down) > 2) {
  c(unlist(llply(length(down):3, function(i) {
    unlist(do.call(llply, c(list(down[[i]]), replicate(i-3, llply), pastelist)))
  })), unlist(pastelist(down[[2]]))) 
} else {
  unlist(pastelist(down[[2]]))
}
out <- out[out != ""]

结果是我认为你要求的:

> out
[1] "JJ"                       "RBJJ"                    
[3] "DTJJNNPNNPS"              "JJCCRBJJ"                
[5] "INDTJJNNPNNPS"            "VBDJJCCRBJJINDTJJNNPNNPS"
> dput(out)
c("JJ", "RBJJ", "DTJJNNPNNPS", "JJCCRBJJ", "INDTJJNNPNNPS", "VBDJJCCRBJJINDTJJNNPNNPS"
)

编辑:

回应带有后续问题的评论:如何调整它以处理一组这些字符串。

解决 do-it-multiple-times-for-different-inputs 的一般方法是创建一个函数,该函数将单个项目作为输入并返回相关的单个输出。然后使用 apply 系列函数之一循环该函数。

将之前的所有代码合并到一个函数中:

parsestrr <- function(strr) {
  atdepth <- function(l, d) {
    if (d > 0 & !is.list(l)) {
      return(NULL)
    }
    if (d == 0) {
     return(unlist(l))
    }
    if (is.list(l)) {
      llply(l, atdepth, d-1)
    }
  }

  pastelist <- function(l) {paste(unlist(l), collapse="", sep="")}

  tmp <- gsub("\\(([^\\(\\)]*)\\)",  '("\\1")', strr)
  tmp <- gsub("\\(", "list(", tmp)
  tmp <- gsub("\\)list", "),list", tmp)
  tmp <- eval(parse(text=tmp))
  down <- llply(1:listDepth(tmp), atdepth, l=tmp)
  out <- if (length(down) > 2) {
    c(unlist(llply(length(down):3, function(i) {
      unlist(do.call(llply, c(list(down[[i]]), replicate(i-3, llply), pastelist)))
    })), unlist(pastelist(down[[2]]))) 
  } else {
    unlist(pastelist(down[[2]]))
  }
  out[out != ""]
}

现在给定一个要处理的字符串向量,例如:

strrs<-c("((VBD)(((JJ))(CC)((RB)(JJ)))((IN)((DT)(JJ)(NNP)(NNPS))))",
         "((VBD)(((JJ))(CC)((RB)(XX)(JJ)))((IN)(BB)((DT)(JJ)(NNP)(NNPS))))",
         "((VBD)(((JJ)(QQ))(CC)((RB)(JJ)))((IN)((TQR)(JJ)(NNPS))))")

您可以使用

llply(strr, parsestrr)

返回

[[1]]
[1] "JJ"                       "RBJJ"                    
[3] "DTJJNNPNNPS"              "JJCCRBJJ"                
[5] "INDTJJNNPNNPS"            "VBDJJCCRBJJINDTJJNNPNNPS"

[[2]]
[1] "JJ"                           "RBXXJJ"                      
[3] "DTJJNNPNNPS"                  "JJCCRBXXJJ"                  
[5] "INBBDTJJNNPNNPS"              "VBDJJCCRBXXJJINBBDTJJNNPNNPS"

[[3]]
[1] "JJQQ"                     "RBJJ"                    
[3] "TQRJJNNPS"                "JJQQCCRBJJ"              
[5] "INTQRJJNNPS"              "VBDJJQQCCRBJJINTQRJJNNPS"
于 2012-06-18T22:09:59.367 回答
1

我不确定您是否只想构建平衡文本的树结构。
或者,为什么要在最内层去除包含括号。

使用您的示例,如果要分阶段进行,则必须首先确定最内层。然后括号在递归传递的后续级别中被剥离。

这当然需要一种平衡文本的方法。一些正则表达式引擎可以做到这一点。
如果您使用的引擎不支持此功能,则必须通过文本处理手动完成。

我碰巧有一个正则表达式分析程序。我将您的初始字符串注入其中,并通过组级别对其进行可视化格式化。每次通过,我只是剥离了模拟递归的内括号。

也许这可以帮助您想象需要做什么。

 ## Pass 0
 ## ---------
 (
      ( VBD )
      (
           (
                ( JJ )
           )
           ( CC )
           (
                ( RB )
                ( JJ )
           )
      )
      (
           ( IN )
           (
                ( DT )
                ( JJ )
                ( NNP )
                ( NNPS )
           )
      )
 )

 ## Pass 1
 ## ---------
 (
      ( VBD )
      (
           ( JJ )
           ( CC )
           ( RB JJ )
      )
      (
           ( IN )
           ( DT JJ NNP NNPS )
      )
 )

 ## Pass 2
 ## ---------
 (
      ( VBD )
      ( JJ CC RB JJ )
      ( IN DT JJ NNP NNPS )
 )

 ## Pass 3
 ## ---------
 ( VBD JJ CC RB JJ IN DT JJ NNP NNPS )

 ## Pass 4
 ## ---------
 VBD JJ CC RB JJ IN DT JJ NNP NNPS
于 2012-06-18T20:56:29.720 回答
0

你真的不需要在这里考虑匹配括号......听起来你只是想递归匹配 pattern [()]([^()]*)[()]

也就是说,“匹配包含 no( )并由(or分隔的内容)

于 2012-06-18T19:53:41.130 回答