NLTK RegEx Chunker未使用通配符捕获定义的语法模式

Question

我试图使用NLTK的POS标记作为正则表达式来分块一个句子。根据句子中单词的标记，定义了2条规则来识别短语。在

主要是，我想捕获一个或多个动词，后跟一个可选限定词，然后是结尾处的一个或多个名词。这是定义中的第一条规则。但它并没有被捕获为短语块。在

import nltk

## Defining the POS tagger 
tagger = nltk.data.load(nltk.tag._POS_TAGGER)


## A Single sentence - input text value
textv="This has allowed the device to start, and I then see glitches which is not nice."
tagged_text = tagger.tag(textv.split())

## Defining Grammar rules for  Phrases
actphgrammar = r"""
     Ph: {<VB*>+<DT>?<NN*>+}  # verbal phrase - one or more verbs followed by optional determiner, and one or more nouns at the end
     {<RB*><VB*|JJ*|NN*\$>} # Adverbial phrase - Adverb followed by adjective / Noun or Verb
     """

### Parsing the defined grammar for  phrases
actp = nltk.RegexpParser(actphgrammar)

actphrases = actp.parse(tagged_text)

输入到chunker，tagged_text如下所示。在

tagged_text Out[7]: [('This', 'DT'), ('has', 'VBZ'), ('allowed', 'VBN'), ('the', 'DT'), ('device', 'NN'), ('to', 'TO'), ('start,', 'NNP'), ('and', 'CC'), ('I', 'PRP'), ('then', 'RB'), ('see', 'VB'), ('glitches', 'NNS'), ('which', 'WDT'), ('is', 'VBZ'), ('not', 'RB'), ('nice.', 'NNP')]

在最后的输出中，只捕获与第二条规则相匹配的副词短语（'然后参见“）。 我希望动词短语（'允许设备）与第一条规则相匹配，也能被捕获，但事实并非如此。在

actphrases Out[8]: Tree('S', [('This', 'DT'), ('has', 'VBZ'), ('allowed', 'VBN'), ('the', 'DT'), ('device', 'NN'), ('to', 'TO'), ('start,', 'NNP'), ('and', 'CC'), ('I', 'PRP'), Tree('Ph', [('then', 'RB'), ('see', 'VB')]), ('glitches', 'NNS'), ('which', 'WDT'), ('is', 'VBZ'), ('not', 'RB'), ('nice.', 'NNP')])

使用的NLTK版本是2.0.5（Python2.7） 任何帮助或建议将不胜感激。在

提前谢谢你

巴拉。在

Answer 1

关闭，但对正则表达式的微小更改将获得所需的输出。当您想使用RegexpParser语法获得通配符时，应该使用.*而不是{}，例如，VB.*而不是{}：

>>> from nltk import word_tokenize, pos_tag, RegexpParser
>>> text = "This has allowed the device to start, and I then see glitches which is not nice."
>>> tagged_text = pos_tag(word_tokenize(text))    
>>> g = r"""
... VP: {<VB.*><DT><NN.*>}
... """
>>> p = RegexpParser(g); p.parse(tagged_text)
Tree('S', [('This', 'DT'), ('has', 'VBZ'), Tree('VP', [('allowed', 'VBN'), ('the', 'DT'), ('device', 'NN')]), ('to', 'TO'), ('start', 'VB'), (',', ','), ('and', 'CC'), ('I', 'PRP'), ('then', 'RB'), ('see', 'VBP'), ('glitches', 'NNS'), ('which', 'WDT'), ('is', 'VBZ'), ('not', 'RB'), ('nice', 'JJ'), ('.', '.')])

请注意，您捕获的是Tree(AdvP, [('then', 'RB'), ('see', 'VB')])，因为这些标记正好是RB和{}。因此，在这个场景中，语法中的通配符（即“AdvP:{}”“”）将被忽略。在

另外，如果是两种不同类型的短语，最好使用两个标签而不是一个。而且（我认为）通配符后面的字符串结尾有点多余，所以最好：

^{pr2}$