如何在 nltk 语法中直接使用单词答案

【问题标题】：How to use words directly in nltk grammar如何在 nltk 语法中直接使用单词
【发布时间】：2018-08-09 06:14:19
【问题描述】：

我正在尝试使用 python NLTK 从给定的德国地址中提取公司名称。这是我使用的代码，

import nltk

address="CompanyName GmbH * Keltenstr. 16 * 123456 Kippenheim * Deutschland"
tokens = nltk.word_tokenize(address)
textTokens = nltk.Text(tokens)
POStagList = nltk.pos_tag(textTokens)
print(POStagList)

grammar = """
        NP: 
            {<NN.?|JJ|FW>GmbH}"""


cp = nltk.RegexpParser(grammar)
result = cp.parse(POStagList)

for subtree in result.subtrees(filter=lambda t: t.label() == 'NP'):
   print("NP Subtree:", subtree)

我需要输出：CompanyName GmbH

有时可能是 corp 或 Inc. 或 llc 等而不是 GmbH 等

如何解决？

如何在语法中直接使用字符串值和转义序列字符？

【问题讨论】：

有效吗？究竟是什么问题？
你不能简单地将字符串拆分为* 字符并使用第一项吗？
它不工作。我需要正确的语法才能获得结果“CompanyName GmbH”
您能解释一下如何它不起作用吗？你得到什么而不是CompanyName GmbH？有错误信息吗？
我需要使用语法得到结果。对于另一种地址格式，我需要更多语法

标签： regex python-3.x nltk

【解决方案1】：

除了将语法与文字字符串混合之外，您还可以使用正则表达式的变通方法：使用 POS 标记标记，然后仅在已知单词之前获取您需要的标记（例如 GmbH）。

代码如下所示

import nltk
import re
address="CompanyName GmbH * Keltenstr. 16 * 123456 Kippenheim * Deutschland"
tokens = nltk.word_tokenize(address)
textTokens = nltk.Text(tokens)
POStagList = nltk.pos_tag(textTokens)
joined = ' '.join(["{}<{}>".format(word,tag) for word,tag in POStagList])
grammar = r'NN[^>]?|JJ|FW' # regex! 
print([re.sub("<(?:{})>".format(grammar), "", x.strip()) for x in re.findall(r'((?:\S+<(?:{0})> )+)(?:GmbH|Inc|corp|llc)<(?:{0})>'.format(grammar), joined)])

输出：['CompanyName']。

这里，语法是使用像NN[^>]?|JJ|FW 这样的正则表达式指定的，其中[^>]? 匹配除> 之外的任何字符（只是为了确保我们不匹配>，就像. 那样）。之后，((?:\S+<(?:NN[^>]?|JJ|FW)> )+)(?:GmbH|Inc|corp|llc)<(?:NN[^>]?|JJ|FW)> 正则表达式将找到您需要的所有匹配项，但由于它们包含标签，因此必须使用 re.sub 删除它们，而仅使用 <(?:NN[^>]?|JJ|FW)> 正则表达式。

主要的正则表达式细节：

((?:\S+<(?:NN[^>]?|JJ|FW)> )+) - 第 1 组：一个或多个 1+ 非空白字符序列，后跟 <，然后是 NN + 除 > 或 JJ 或 FW 之外的任何 1 或 0 个字符，以及然后是>，然后是一个空格
(?:GmbH|Inc|corp|llc) - 任何选择：GmbH、Inc、corp 或 llc
<(?:NN[^>]?|JJ|FW)> - <、NN + 除>、JJ 或 FW 以外的任何 1 或 0 个字符。

【讨论】：