Python利用re模塊實(shí)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(dá)式構(gòu)建簡單的表達(dá)式分詞器（tokenizer），它能夠?qū)⒈磉_(dá)式字符串從左到右解析為標(biāo)記(tokens)流。
給定如下的表達(dá)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(dá)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?yàn)槲覀冞€需要給標(biāo)記以NAME、EQ等名稱，我們采用正則表達(dá)式中的命名捕獲組來實(shí)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(dá)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(dá)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(dá)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(dá)式(即"|".join([NAME, EQ, NUM, PLUS, TIMES, WS]))中順序也非常重要。因?yàn)樵谶M(jìn)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(dú)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(shí)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(shí)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的numpy庫中將矩陣轉(zhuǎn)換為列表等函數(shù)的方法
下面小編就為大家分享一篇Python的numpy庫中將矩陣轉(zhuǎn)換為列表等函數(shù)的方法，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2018-04-04
這篇文章主要介紹了Python 正則表達(dá)式模塊詳解，分為兩部分，包括基礎(chǔ)語法總結(jié)，re模塊的相關(guān)知識,需要的朋友可以參考下2018-11-11
解決TensorFlow訓(xùn)練內(nèi)存不斷增長,進(jìn)程被殺死問題
今天小編就為大家分享一篇解決TensorFlow訓(xùn)練內(nèi)存不斷增長,進(jìn)程被殺死問題，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2020-02-02
PyQt5實(shí)現(xiàn)用戶登錄GUI界面及登錄后跳轉(zhuǎn)
PyQt5是強(qiáng)大的GUI工具之一，通過其可以實(shí)現(xiàn)優(yōu)秀的桌面應(yīng)用程序。本文主要介紹了PyQt5實(shí)現(xiàn)用戶登錄GUI界面及登錄后跳轉(zhuǎn)，具有一定的參考價值，感興趣的可以了解一下2021-11-11
Python實(shí)現(xiàn)的簡單排列組合算法示例
這篇文章主要介紹了Python實(shí)現(xiàn)的簡單排列組合算法,涉及Python使用itertools庫進(jìn)行排列組合運(yùn)算相關(guān)操作技巧,需要的朋友可以參考下2018-07-07
Python cookbook(數(shù)據(jù)結(jié)構(gòu)與算法)通過公共鍵對字典列表排序算法示例
這篇文章主要介紹了Python cookbook(數(shù)據(jù)結(jié)構(gòu)與算法)通過公共鍵對字典列表排序算法,結(jié)合實(shí)例形式分析了Python基于operator模塊中的itemgetter()函數(shù)對字典進(jìn)行排序的相關(guān)操作技巧,需要的朋友可以參考下2018-03-03
這篇文章主要介紹了Python解釋器和python 開發(fā)工具PyCharm安裝過程，本文通過圖文并茂的形式給大家介紹的非常詳細(xì)，具有一定的參考借鑒價值,需要的朋友可以參考下2020-02-02
本文主要介紹了Python3中省略號(...)用法介紹，文中通過示例代碼介紹的非常詳細(xì)，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2023-02-02
本文主要介紹了Python多線程中線程數(shù)量如何控制，文中通過示例代碼介紹的非常詳細(xì)，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2023-01-01
這篇文章主要介紹了python中使用docx模塊處理word文檔的相關(guān)資料,需要的朋友可以參考下2023-01-01