regex - 在 NLTK 中分块冒号

Question

我试图在 NLTK 中的冒号位置拆分一个块:但它似乎是一个特例。在普通的正则表达式中，我可以把它放在 [:] 中没问题。

但是在 NLTK 中，无论我做什么，它都不喜欢 regexParser 中的它。

from nltk import  RegexpParser

grammar = r"""
  NP: {<DT|PP\$>?<JJ>*<NN>|<NNP.*><\:><VBD>}   # chunk (Rapunzel + : + let) together
    {<NNP>+}                
    <.*>}{<VBD.*>           


"""
cp = RegexpParser(grammar)
sentence = [("Rapunzel", "NNP"), (":",":"), ("let", "VBD"), ("down", "RP"), ("her", "PP$"), ("long", "JJ"), ("golden", "JJ"), ("hair", "NN")]

print(cp.parse(sentence))

上面的代码确实使一个块将冒号作为一个块。
<.*>}{<\VBD.*> 行在 let 之前的位置拆分由 (Rapunzel+:+let) 组成的块。
如果你去掉那个分割并用冒号替换它会给出一个错误

from nltk import  RegexpParser

grammar = r"""
  NP: {<DT|PP\$>?<JJ>*<NN>|<NNP.*><\:><VBD>}   # chunk (Rapunzel + : + let) together
    {<NNP>+}                
    <.*>}{<\:.*>           


"""
cp = RegexpParser(grammar)
sentence = [("Rapunzel", "NNP"), (":",":"), ("let", "VBD"), ("down", "RP"), ("her", "PP$"), ("long", "JJ"), ("golden", "JJ"), ("hair", "NN")]

print(cp.parse(sentence))

ValueError: Illegal chunk pattern: >

谁能解释一下如何做到这一点，我试过谷歌并浏览文档，但我并不聪明。我可以处理这个帖子块没问题，但我只是知道为什么或如何。 :-)

Answer 1

NLTK 似乎将每个块定义的第二个冒号视为开始新块的指示符。

对于那些遇到相同错误的人，解决方法是 将多个正则表达式分解为多个具有相同名称的块。

假设我们有以下语法:

grammar = r"""
  SOME_CHUNK: 
    {<NN><:>}
    {<JJ><:>}          
"""

要解决此问题，请将其更改为:

grammar = r"""
  SOME_CHUNK: {<NN><:>}
  SOME_CHUNK: {<JJ><:>}          
"""

不幸的是，如果有人将 chinking regex 与另一个冒号一起使用，这将不起作用，就像在您的示例中一样。

为了帮助您解决您的具体问题，请发布您正在尝试解析的确切句子。从你的例子中很难看出你为什么需要 |<NNP.*><\:><VBD>部分。