Python技法之如何用re模塊實現(xiàn)簡易tokenizer
一個簡單的tokenizer
分詞（tokenization）任務是Python字符串處理中最為常見任務了。我們這里講解用正則表達式構建簡單的表達式分詞器（tokenizer），它能夠將表達式字符串從左到右解析為標記(tokens)流。
給定如下的表達式字符串：
text = 'foo = 12 + 5 * 6'
我們想要將其轉換為下列以序列對呈現(xiàn)的分詞結果：
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\轉義
TIMES = r'(?P<TIMES>\*)' #需要用\轉義
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
當然這樣一次一次調用過于麻煩，我們可以使用迭代器來批量調用，并將單次迭代結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做為迭代器每次調用的方法，
#None為哨兵的默認值，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對模式做匹配。故若碰巧某個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）。
引用
- [1] Martelli A, Ravenscroft A, Ascher D. Python cookbook[M]. " O'Reilly Media, Inc.", 2015.
總結
到此這篇關于Python技法之如何用re模塊實現(xiàn)簡易tokenizer的文章就介紹到這了,更多相關Python re模塊實現(xiàn)tokenizer內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
Python爬蟲入門案例之爬取去哪兒旅游景點攻略以及可視化分析
讀萬卷書不如行萬里路，學的扎不扎實要通過實戰(zhàn)才能看出來，本篇文章手把手帶你爬取去哪兒平臺的旅游景點攻略并進行可視化分析,大家可以在過程中查缺補漏，看看自己掌握程度怎么樣2021-10-10
Python?如何將?matplotlib?圖表集成進到PDF?中
這篇文章主要介紹了Python?如何將?matplotlib?圖表集成進到PDF?中，文章介紹內(nèi)容詳細，具有一定的參考價值，需要的小伙伴可以參考一下，希望對你的學習有所幫助2022-03-03
python人工智能tensorflow函數(shù)tf.nn.dropout使用方法
這篇文章主要為大家介紹了python人工智能tensorflow函數(shù)tf.nn.dropout使用示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-05-05
這篇文章主要為大家詳細介紹了python安裝教程，文中安裝步驟介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-02-02
python在windows下創(chuàng)建隱藏窗口子進程的方法
這篇文章主要介紹了python在windows下創(chuàng)建隱藏窗口子進程的方法,涉及Python使用subprocess模塊操作進程的相關技巧,需要的朋友可以參考下2015-06-06
PyQt為事件處理提供了兩種機制：高級的信號與槽機制,以及低級的事件處理機制,在基于PyQt5的應用程序開發(fā)過程中經(jīng)常會遇到一些需要循環(huán)執(zhí)行的任務,即定時多長時間任務循環(huán)一次,本文給大家介紹了python PyQt5事件機制和定時器原理和用法,需要的朋友可以參考下2024-07-07
這篇文章主要為大家詳細介紹了python opencv實現(xiàn)圖像配準與比較，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-02-02
這篇文章主要介紹了python2.7 安裝pip的方法，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-05-05
本文介紹了使用一個自動更新緩存的Python類AutoUpdatingCache,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2025-01-01
python神經(jīng)網(wǎng)絡編程實現(xiàn)手寫數(shù)字識別
這篇文章主要為大家詳細介紹了python神經(jīng)網(wǎng)絡編程實現(xiàn)手寫數(shù)字識別，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2020-05-05