[英]extract substring from a string using regex in perl?
尝试提取匹配string中pattern的子串。 例如,我有类似下面的文本
[ Pierre/NNP Vinken/NNP ]
,/,
[ 61/CD years/NNS ]
old/JJ ,/, will/MD join/VB
[ the/DT board/NN ]
as/IN
[ a/DT nonexecutive/JJ director/NN Nov./NNP 29/CD ]
./.
[ Mr./NNP Vinken/NNP ]
is/VBZ
[ chairman/NN ]
of/IN
我想在斜杠(/)和斜杠之后提取任何东西,但不知何故,我的正则表达式提取第一个子字符串并忽略该行中的其余子字符串。
我的输出如下所示:
tag:Pierre/NNP Vinken - word:Pierre/NNP Vinken/NNP ->1
tag:, - word:,/, ->1
tag:61/CD years - word:61/CD years/NNS ->1
tag:old/JJ ,/, will/MD join - word:old/JJ ,/, will/MD join/VB ->1
tag:the/DT board - word:the/DT board/NN ->1
tag:as - word:as/IN ->1
tag:a/DT nonexecutive/JJ director/NN Nov./NNP 29 - word:a/DT nonexecutive/JJ director/NN Nov./NNP 29/CD ->1
tag:. - word:./. ->1
tag:Mr./NNP Vinken - word:Mr./NNP Vinken/NNP ->1
tag:is - word:is/VBZ ->1
tag:chairman - word:chairman/NN ->1
tag:of - word:of/IN ->1
但我真正想要的是下面这样的东西
tag:NNP - word:Pierre ->1
tag:NNP - word:Vinken ->1
tag:, - word:, ->1
tag:CD - word:61 ->1
.
.
etc.
我使用的代码:
while (my $line = <$fh>) {
chomp $line;
#remove square brackets
$line=~s/[\[\]]//;
while($line =~m/((\s*(.*))\/((.*)\s+))/gi)
{
$word=$1;
$tag=$2;
#remove whitespace from left and right of string
$word=~ s/^\s+|\s+$//g;
$tag=~ s/^\s+|\s+$//g;
$tags{$tag}++;
$tagHash{$tag}{$word}++;
}
}
foreach my $str (sort keys %tagHash)
{
foreach my $s (keys %{$tagHash{$str}} )
{
print "tags:$str - word: $s-> $tagHash{$str}{$s}\n";
}
}
任何想法为什么我的正则表达式不应该表现出来
编辑:
在我正在解析的文本文件中也有野性字符和标点符号,这意味着文件将具有如下内容:''/''“/”,/,。/。 ?/? !/! 。 。 。 等等
所以我想要捕获所有这些东西,不仅仅是字母和数字字符。
我认为你有tag/word
s tag
和word
可能是一切,除了一些字符,如],[,\\s,
,:
\s*([^\[\]\s]+?)\/([^\[\]\s]+)\s*
^^^^^^^^^1
此正则表达式与您的原始模式类似。 (见DEMO )
描述:
1-此捕获组匹配每个角色.
那不是[
, ]
或\\s
围绕整个模式的最外面一组括号被捕获到$1
,这显然不是预期的。 此外, .*\\/
的贪婪意味着它需要一切到最后 /
。 同样, .*\\s+
只留下最后一个空格。
一种方法是使用否定的字符类
my ($word, $tag) = m{ ([^/\s]+) / ([^/\s]+) }x;
模式[^/\\s]+
匹配一个或多个连续字符的字符串,每个字符不是/
或空格。 所以你在/
之前和之后得到一个“ 单词 ”。 如果你采取“ 斜线后的任何东西 ”,正如文字所说,不清楚在下一次斜线之前应该是什么。
然后你的方法就可以了
while (my $line = <$fh>)
{
while ( $line =~ m{ ([^/\s]+) / ([^/\s]+) }gx )
{
$tagHash{$2}{$1}++;
}
}
另一个计数似乎无关紧要,所以我把它留下来专注于这个问题。
但是,这里有一点点缺失。
此方法无法检测线条何时与预期格式不同。 例如
word1/tag1 word2/tag2/ tag3/word4/tag4
安静地产生错误的结果。 一些违规行为被忽略,但有许多不良案例。
捕获这一点的一种方法是预处理该行,检查所有斜杠之间至少有两个单词,并且在第一个和最后一个之后至少有一个单词。 这意味着每行处理两次,而且它也变得更加混乱。 例如
while (my $line = <$fh>)
{
my @parts = split '/', $line;
if (not shift @parts or not pop @parts or grep { 2 > split } @parts) {
warn "Unexpected format: $line";
next;
}
$tagHash{$2}{$1}++ while $line =~ m{ ([^/\s]+) / ([^/\s]+) }gx;
}
此检查会更改@parts
数组,因此如果以后需要该数组,则可以更好地使用
if (!$parts[0] or !$parts[-1] or grep { 2 > split } @parts[1..@parts-2]) { ...
而不是grep
也可以使用List :: Util中的 any
短路
另一种方法是改变方法,仔细解析线,而不是盲目地跳过正则表达式匹配。 由于第一个和最后一个可能只有一个单词,这可能很难用正则表达式。 分割和使用数组可能更清晰,更实用。
很难想象格式总是匹配数据,所以我建议考虑一些。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.