regex - R : how to differentiate between inner and innermost brackets using regex

Question

我需要从字符串中得到什么((VBD)(((JJ))(CC)((RB)(JJ)))((IN)((DT)(JJ)(NNP)(NNPS ))))是这样的:

“JJ”、“RBJJ”、“DTJJNNPNNPS”、“JJCCRBJJ”、“INDTJJNNPNNPS”“VBDJJCCRBJJJINDTJJNNPNNPS”

也就是说，要查找最里面括号之间的文本，请删除紧邻的括号，以便可以合并和提取文本。但这包括不同的层次。括号的揭开不能一次性全部完成，因为括号内的数字会失去平衡:

str1<-c()
str2<-c()
library(gsubfn)
strr<-c("((VBD)(((JJ))(CC)((RB)(JJ)))((IN)((DT)(JJ)(NNP)(NNPS))))")
repeat {
str1<-unlist(strapply(strr, "((\\(([A-Z])+\\))+)"))
str2<-append(str1, str2)
strr<-gsub("(\\(\\w+\\))", "~\\1~", strr)
strr<-gsub("~\\(|\\)~", "", strr)
if (strr == "") {break}
}

strr
[1] "(VBD(JJCCRBJJINDTJJNNPNNPS"

左括号阻止文本组合，使其转义正则表达式。我认为解决这个问题的方法是，区分最里面的括号(JJ、RB、JJ、DT、JJ、NNP、NNPS、(新字符串上的 2、4、5、7、8、9、10))和内部括号括号。这样，当逐步揭开所有最里面的括号并组合和提取文本时，我们将到达整个字符串。有正则表达式可以做到这一点吗？或者还有其他办法吗？请帮忙。

Answer 1

这不使用正则表达式。事实上，我不确定正则表达式是否足够强大来解决问题以及解析器是否必要。我没有在 R 中创建/定义解析器，而是利用现有的 R 代码解析器。这样做使用了一些相当有潜在危险的技巧。

基本思想是将字符串转换为可解析代码，该代码使用列表生成树结构。然后这个结构被有效地反向剪枝(只保留叶子节点向内)，并创建每个级别的各种字符串。

一些辅助包

library("plotrix")
library("plyr")

您提供的原始字符串

strr<-c("((VBD)(((JJ))(CC)((RB)(JJ)))((IN)((DT)(JJ)(NNP)(NNPS))))")

将此字符串转换为可解析代码，引用括号内的内容，然后使每组括号调用 list。必须在列表项之间插入逗号，但最里面的部分始终是长度为 1 的列表，因此这不是问题。然后解析代码。

tmp <- gsub("\\(([^\\(\\)]*)\\)",  '("\\1")', strr)
tmp <- gsub("\\(", "list(", tmp)
tmp <- gsub("\\)list", "),list", tmp)
tmp <- eval(parse(text=tmp))

此时，tmp 看起来像

> str(tmp)
List of 3
 $ :List of 1
  ..$ : chr "VBD"
 $ :List of 3
  ..$ :List of 1
  .. ..$ :List of 1
  .. .. ..$ : chr "JJ"
  ..$ :List of 1
  .. ..$ : chr "CC"
  ..$ :List of 2
  .. ..$ :List of 1
  .. .. ..$ : chr "RB"
  .. ..$ :List of 1
  .. .. ..$ : chr "JJ"
 $ :List of 2
  ..$ :List of 1
  .. ..$ : chr "IN"
  ..$ :List of 4
  .. ..$ :List of 1
  .. .. ..$ : chr "DT"
  .. ..$ :List of 1
  .. .. ..$ : chr "JJ"
  .. ..$ :List of 1
  .. .. ..$ : chr "NNP"
  .. ..$ :List of 1
  .. .. ..$ : chr "NNPS"

括号的嵌套现在是列表的嵌套。还需要一些辅助函数。第一个方法会折叠特定深度以下的所有内容，并丢弃该深度以上的任何节点。第二个只是一个包装器，用于粘贴以共同处理列表的元素。

atdepth <- function(l, d) {
  if (d > 0 & !is.list(l)) {
    return(NULL)
  }
  if (d == 0) {
    return(unlist(l))
  }
  if (is.list(l)) {
    llply(l, atdepth, d-1)
  }
}

pastelist <- function(l) {paste(unlist(l), collapse="", sep="")}

创建一个列表，其中每个元素都是折叠到特定深度的树结构。

down <- llply(1:listDepth(tmp), atdepth, l=tmp)

向后迭代此列表，将叶集粘贴在一起。向后“向上”(折叠的)树。这样做会产生一些空白字符串(上面有一片叶子)，因此这些字符串被修剪掉。

out <- if (length(down) > 2) {
  c(unlist(llply(length(down):3, function(i) {
    unlist(do.call(llply, c(list(down[[i]]), replicate(i-3, llply), pastelist)))
  })), unlist(pastelist(down[[2]]))) 
} else {
  unlist(pastelist(down[[2]]))
}
out <- out[out != ""]

结果就是我认为您所要求的:

> out
[1] "JJ"                       "RBJJ"                    
[3] "DTJJNNPNNPS"              "JJCCRBJJ"                
[5] "INDTJJNNPNNPS"            "VBDJJCCRBJJINDTJJNNPNNPS"
> dput(out)
c("JJ", "RBJJ", "DTJJNNPNNPS", "JJCCRBJJ", "INDTJJNNPNNPS", "VBDJJCCRBJJINDTJJNNPNNPS"
)

编辑:

回应带有后续问题的评论:如何调整它以处理一组这些字符串。

解决“不同输入多次执行”问题的一般方法是创建一个函数，该函数将单个项目作为输入并返回关联的单个输出。然后使用 apply 系列函数之一循环该函数。

将之前的所有代码集中到一个函数中:

parsestrr <- function(strr) {
  atdepth <- function(l, d) {
    if (d > 0 & !is.list(l)) {
      return(NULL)
    }
    if (d == 0) {
     return(unlist(l))
    }
    if (is.list(l)) {
      llply(l, atdepth, d-1)
    }
  }

  pastelist <- function(l) {paste(unlist(l), collapse="", sep="")}

  tmp <- gsub("\\(([^\\(\\)]*)\\)",  '("\\1")', strr)
  tmp <- gsub("\\(", "list(", tmp)
  tmp <- gsub("\\)list", "),list", tmp)
  tmp <- eval(parse(text=tmp))
  down <- llply(1:listDepth(tmp), atdepth, l=tmp)
  out <- if (length(down) > 2) {
    c(unlist(llply(length(down):3, function(i) {
      unlist(do.call(llply, c(list(down[[i]]), replicate(i-3, llply), pastelist)))
    })), unlist(pastelist(down[[2]]))) 
  } else {
    unlist(pastelist(down[[2]]))
  }
  out[out != ""]
}

现在给定一个要处理的字符串向量，例如:

strrs<-c("((VBD)(((JJ))(CC)((RB)(JJ)))((IN)((DT)(JJ)(NNP)(NNPS))))",
         "((VBD)(((JJ))(CC)((RB)(XX)(JJ)))((IN)(BB)((DT)(JJ)(NNP)(NNPS))))",
         "((VBD)(((JJ)(QQ))(CC)((RB)(JJ)))((IN)((TQR)(JJ)(NNPS))))")

您可以使用以下方法处理所有这些

llply(strr, parsestrr)

返回

[[1]]
[1] "JJ"                       "RBJJ"                    
[3] "DTJJNNPNNPS"              "JJCCRBJJ"                
[5] "INDTJJNNPNNPS"            "VBDJJCCRBJJINDTJJNNPNNPS"

[[2]]
[1] "JJ"                           "RBXXJJ"                      
[3] "DTJJNNPNNPS"                  "JJCCRBXXJJ"                  
[5] "INBBDTJJNNPNNPS"              "VBDJJCCRBXXJJINBBDTJJNNPNNPS"

[[3]]
[1] "JJQQ"                     "RBJJ"                    
[3] "TQRJJNNPS"                "JJQQCCRBJJ"              
[5] "INTQRJJNNPS"              "VBDJJQQCCRBJJINTQRJJNNPS"