Python利用re模塊實現(xiàn)簡易分詞(tokenization)
一個簡單的tokenizer
分詞（tokenization）任務(wù)是Python字符串處理中最為常見任務(wù)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(biāo)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(biāo)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(biāo)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(dāng)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(rèn)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(biāo)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阶銎ヅ洹９嗜襞銮赡硞€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(dǎo)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）。
到此這篇關(guān)于Python利用re模塊實現(xiàn)簡易分詞(tokenization)的文章就介紹到這了,更多相關(guān)Python 分詞內(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！
相關(guān)文章
python中dir()與__dict__屬性的區(qū)別淺析
這篇文章主要給大家介紹了關(guān)于python中dir()與__dict__屬性的區(qū)別的相關(guān)資料，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2018-12-12
python+mediapipe+opencv實現(xiàn)手部關(guān)鍵點檢測功能(手勢識別)
這篇文章主要介紹了python+mediapipe+opencv實現(xiàn)手部關(guān)鍵點檢測功能(手勢識別),本文僅僅簡單介紹了mediapipe的使用，而mediapipe提供了大量關(guān)于圖像識別等的方法，需要的朋友可以參考下2022-01-01
這篇文章主要介紹了Python的字符串，非常不錯，具有一定的參考借鑒價值,需要的朋友可以參考下，希望能夠給你帶來幫助2021-10-10
平常在處理數(shù)據(jù)的時候，必不可少地要使用數(shù)據(jù)庫存取數(shù)據(jù)，出于一些原因，個人非常喜歡MongoDB這個數(shù)據(jù)庫。下面這篇文章主要給大家介紹了Python3中使用PyMongo的方法示例，文中介紹的非常詳細，需要的朋友可以參考借鑒，下面來一起看看吧。2017-07-07
本文主要介紹了Python輸出大括號的幾種方法,通過print函數(shù)的字符串格式化、f-string、轉(zhuǎn)義字符等方式,可以在Python中輸出大括號,感興趣的可以了解一下2024-01-01
今天小編就為大家分享一篇python requests指定出口ip的例子，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
使用Pytorch實現(xiàn)two-head(多輸出)模型的操作
這篇文章主要介紹了使用Pytorch實現(xiàn)two-head(多輸出)模型的操作，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-05-05
wxPython是Python編程語言的一個GUI工具箱。他使得Python程序員能夠輕松的創(chuàng)建具有健壯、功能強大的圖形用戶界面的程序2014-06-06
這篇文章主要爹大家分享的是分享3個非常實用的?Python?模塊，知道的人可能不多，但是特別的好用，分別是Psutil、Pendulum、Pyfiglet三種模塊，需要的小伙伴可以參考下面相關(guān)內(nèi)容，希望對你有所幫助2022-03-03
這篇文章主要介紹了Django中的cookie和session實例詳解，本文給大家介紹的非常詳細，具有一定的參考借鑒價值,需要的朋友可以參考下2019-08-08