regex - 文本文件规范化和模式匹配

Question

我得到了一个用一种元语言编写的文件，它描述了验证某些数据所需的过程。我需要生成验证函数来验证数据。数据已经存储在结构中

我做的步骤：

1. 使用 char like(' . , ; == >= ) 将文本拆分为字符串 []
2. 删除冠词、介词...
3. 规范化文本（如何？）
4. 使用正则表达式或文本匹配将单词与标记匹配
5. 使用 Token 类型匹配模式
6. 根据匹配模式规则生成函数

您将在第 3 步或一般情况下使用什么来改进此过程？

Answer 1

正如wiki所引用的，正则表达式是实现“文本规范化”的技术之一：

对于简单的、与上下文无关的规范化，例如删除非字母数字字符或变音符号，正则表达式就足够了。例如，sed 脚本 sed -e "s/\s+/ /g" 输入文件会将空白字符的运行规范化为单个空格。更复杂的规范化需要相应复杂的算法，包括被规范化的语言和词汇的领域知识。在其他方法中，文本规范化已被建模为对文本流进行标记和标记的问题[5]，以及机器翻译的一个特例。 [6][7]

在我看来，数据涉及语言注释。您可以查看IMS Open Corpus Workbench (CWB)等工具。此外，还有另一个站点（带有示例代码）可能对您有用：什么是文本规范化？.