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。
最佳答案
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"
关于regex - R : how to differentiate between inner and innermost brackets using regex,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11089919/