python - 创建正则表达式以查找标记文本中重复标记的序列

Question

我正在尝试编写一个正则表达式，该表达式将在带有词性标记器的文本中查找复合名词短语，例如“武器生产设施”或“EPA 空气质量监管公告”。我只想查找长度为 3 个或更多单词的复合名词短语。因此，我从标记文本中刮掉标签，然后连续查找三个或更多名词标签。这是我所拥有的:

stringOfTags = 'DET NN NN NNS IN DET NN NN VBD JJ NNP NN NN NNS '

pattern = re.compile(r"(NN[SP]? ){3,}")
match = pattern.findall(stringOfTags)
for item in match:
    print item

这是输出，这根本不是我想要的:

NNS
NN

相反，我希望它从 stringOfTags 中找到“NN NN NNS”和“NNP NN NN NNS”。谁能帮助我创建一个正则表达式来查找连续 3 个或更多名词标签的字符串？

Answer 1

您可以将捕获组 ( ) 替换为非捕获组 (?:

pattern = re.compile(r"(?:NN[SP]? ){3,}")

或者使用非捕获组，用捕获组将其括起来。

pattern = re.compile(r"((?:NN[SP]? ){3,})")

最终解决方案:

import re

stringOfTags = 'DET NN NN NNS IN DET NN NN VBD JJ NNP NN NN NNS '

pattern = re.compile(r"(?:NN[SP]? ){3,}")
match   = pattern.findall(stringOfTags)

for item in match:
    print item

输出

NN NN NNS 
NNP NN NN NNS