[英]extract substring from a string using regex in perl?
嘗試提取匹配string中pattern的子串。 例如,我有類似下面的文本
[ 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東西,但不知何故,我的正則表達式提取第一個子字符串並忽略該行中的其余子字符串。
我的輸出如下所示:
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這樣的東西
tag:NNP - word:Pierre ->1
tag:NNP - word:Vinken ->1
tag:, - word:, ->1
tag:CD - word:61 ->1
.
.
etc.
我使用的代碼:
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";
}
}
任何想法為什么我的正則表達式不應該表現出來
編輯:
在我正在解析的文本文件中也有野性字符和標點符號,這意味着文件將具有如下內容:''/''“/”,/,。/。 ?/? !/! 。 。 。 等等
所以我想要捕獲所有這些東西,不僅僅是字母和數字字符。
我認為你有tag/word
s tag
和word
可能是一切,除了一些字符,如],[,\\s,
,:
\s*([^\[\]\s]+?)\/([^\[\]\s]+)\s*
^^^^^^^^^1
此正則表達式與您的原始模式類似。 (見DEMO )
描述:
1-此捕獲組匹配每個角色.
那不是[
, ]
或\\s
圍繞整個模式的最外面一組括號被捕獲到$1
,這顯然不是預期的。 此外, .*\\/
的貪婪意味着它需要一切到最后 /
。 同樣, .*\\s+
只留下最后一個空格。
一種方法是使用否定的字符類
my ($word, $tag) = m{ ([^/\s]+) / ([^/\s]+) }x;
模式[^/\\s]+
匹配一個或多個連續字符的字符串,每個字符不是/
或空格。 所以你在/
之前和之后得到一個“ 單詞 ”。 如果你采取“ 斜線后的任何東西 ”,正如文字所說,不清楚在下一次斜線之前應該是什么。
然后你的方法就可以了
while (my $line = <$fh>)
{
while ( $line =~ m{ ([^/\s]+) / ([^/\s]+) }gx )
{
$tagHash{$2}{$1}++;
}
}
另一個計數似乎無關緊要,所以我把它留下來專注於這個問題。
但是,這里有一點點缺失。
此方法無法檢測線條何時與預期格式不同。 例如
word1/tag1 word2/tag2/ tag3/word4/tag4
安靜地產生錯誤的結果。 一些違規行為被忽略,但有許多不良案例。
捕獲這一點的一種方法是預處理該行,檢查所有斜杠之間至少有兩個單詞,並且在第一個和最后一個之后至少有一個單詞。 這意味着每行處理兩次,而且它也變得更加混亂。 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 $line =~ m{ ([^/\s]+) / ([^/\s]+) }gx;
}
此檢查會更改@parts
數組,因此如果以后需要該數組,則可以更好地使用
if (!$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
另一種方法是改變方法,仔細解析線,而不是盲目地跳過正則表達式匹配。 由於第一個和最后一個可能只有一個單詞,這可能很難用正則表達式。 分割和使用數組可能更清晰,更實用。
很難想象格式總是匹配數據,所以我建議考慮一些。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.