NLTK - nltk.tokenize.RegexpTokenizer - 正则表达式未按预期工作

Question

我正在尝试使用 RegexpTokenizer 标记文本。

代码：

from nltk.tokenize import RegexpTokenizer
#from nltk.tokenize import word_tokenize

line = "U.S.A Count U.S.A. Sec.of U.S. Name:Dr.John Doe J.Doe 1.11 1,000 10--20 10-20"
pattern = '[\d|\.|\,]+|[A-Z][\.|A-Z]+\b[\.]*|[\w]+|\S'
tokenizer = RegexpTokenizer(pattern)

print tokenizer.tokenize(line)
#print word_tokenize(line)

输出：

['U', '.', 'S', '.', 'A', 'Count', 'U', '.', 'S', '.', 'A', '. ', 'Sec', '.', 'of', 'U', '.', 'S', '.', 'Name', ':', 'Dr', '.', 'John', 'Doe'、'J'、'.'、'Doe'、'1.11'、'1,000'、'10'、'-'、'-'、'20'、'10'、'-'、'20 ']

预期输出：

['USA', 'Count', 'USA', 'Sec', '.', 'of', 'US', 'Name', ':', 'Dr', '.', ' John'、'Doe'、'J.'、'Doe'、'1.11'、'1,000'、'10'、'-'、'-'、'20'、'10'、'-'、'20 ']

为什么分词器也会拆分我预期的令牌“U.S.A”、“U.S.”？ 我该如何解决这个问题？

我的正则表达式：https://regex101.com/r/dS1jW9/1

Answer 1

关键是您的 \b 是一个退格字符，您需要使用原始字符串文字。此外，您在字符类中有文字管道，也会弄乱您的输出。

这按预期工作：

>>> pattern = r'[\d.,]+|[A-Z][.A-Z]+\b\.*|\w+|\S'
>>> tokenizer = RegexpTokenizer(pattern)
>>> print(tokenizer.tokenize(line))

['U.S.A', 'Count', 'U.S.A.', 'Sec', '.', 'of', 'U.S.', 'Name', ':', 'Dr', '.', 'John', 'Doe', 'J.', 'Doe', '1.11', '1,000', '10', '-', '-', '20', '10', '-', '20']

请注意，将单个 \w 放入字符类是没有意义的。此外，您不需要转义字符类中的每个非单词字符（如点），因为它们在那里大多被视为文字字符（只有 ^、]、- 和 \ 需要特殊注意）。

Answer 2

如果你修改你的正则表达式

pattern = '[USA\.]{4,}|[\w]+|[\S]'

然后

pattern = '[USA\.]{4,}|[\w]+'
tokenizer = RegexpTokenizer(pattern)
print (''+str(tokenizer.tokenize(line)))

你得到你想要的输出

['U.S.A', 'Count', 'U.S.A.', 'Sec', '.', 'of', 'U.S.', 'Name', ':', 'Dr', '.', 'John', 'Doe', 'J', '.', 'Doe', '1', '.', '11', '1', ',', '000', '10', '-', '-', '20', '10', '-', '20']