2

文字列から必要なの((VBD)(((JJ))(CC)((RB)(JJ)))((IN)((DT)(JJ)(NNP)(NNPS))))はこれです：

"JJ", "RBJJ", "DTJJNNPNNPS", "JJCCRBJJ", "INDTJJNNPNNPS" "VBDJJCCRBJJINDTJJNNPNNPS"

つまり、最も内側の括弧の間にあるテキストを見つけるには、テキストを組み合わせて抽出できるように、すぐ周囲の括弧を削除します。しかし、これはさまざまなレベルで構成されています。ブラケットの数がバランスを崩しているため、ブラケットのカバーを一度に行うことはできません。

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"

正規表現をエスケープするテキストの結合をブロックする括弧が残っています。これに対する解決策は、最も内側のブラケット（JJ、RB、JJ、DT、JJ、NNP、NNPS、（新しい文字列では2、4、5、7、8、9、10））と内側を区別することです。ブラケット。そのため、最も内側の角かっこがすべて段階的に明らかになり、テキストが組み合わされて抽出されると、文字列全体に到達します。これを行うための正規表現はありますか？または他の方法はありますか？助けてください。

4

3 に答える 3

4

これは正規表現を使用しません。実際、正規表現が問題を解決するのに十分強力であり、パーサーが必要かどうかはわかりません。Rでパーサーを作成/定義するのではなく、既存のRコードパーサーを活用します。そうすることは、いくつかのかなり潜在的に危険なトリックを使用します。

基本的な考え方は、文字列を解析可能なコードに変換し、リストを使用してツリー構造を生成することです。次に、この構造が効果的に逆プルーニングされ（リーフノードのみが内側に保持されます）、各レベルでさまざまな文字列が作成されます。

いくつかのヘルパーパッケージ

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

あなたが与えた元の文字列

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

この文字列を解析可能なコードに変換し、括弧内にあるものを引用してから、括弧の各セットをに呼び出しますlist。リスト項目の間にカンマを挿入する必要がありますが、最も内側の部分は常に長さ1のリストであるため、問題はありません。次に、コードを解析します。

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

この時点で、tmp次のようになります

> 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"

括弧のネストは、リストのネストになりました。さらにいくつかのヘルパー関数が必要です。1つ目は、特定の深さより下のすべてを折りたたんで、その深さより上のノードを破棄します。2つ目は、リストの要素の1つをまとめて機能させるための貼り付けの単なるラッパーです。

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="")}

各要素が特定の深さに折りたたまれたツリー構造であるリストを作成します。

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

このリストを逆方向に繰り返し、リーフセットを一緒に貼り付けます。（折りたたまれた）ツリーを逆方向に「上」に移動します。これを行うと、いくつかの空白の文字列（より高い位置に葉があった場所）が生成されるため、これらは削除されます。

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 != ""]

結果はあなたが求めたものだと私は思います：

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

編集：

後続の質問を伴うコメントへの応答：これらの文字列のセットを処理するためにこれをどのように適応させるか。

異なる入力に対して複数回実行することを解決するための一般的なアプローチは、単一の項目を入力として受け取り、関連する単一の出力を返す関数を作成することです。次に、apply関数ファミリーの1つを使用して関数をループします。

以前のすべてのコードを1つの関数にまとめます。

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 != ""]
}

次に、処理する文字列のベクトルを指定します。

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))))")

あなたはそれらのすべてを処理することができます

llply(strr, parsestrr)

これは

[[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"
于 2012-06-18T22:09:59.367 に答える
1

バランスの取れたテキストのツリー構造を構築したいだけなのかどうかはわかりません。
または、最も内側のレベルで含まれている括弧を削除する理由。

あなたの例を使用して、それが段階的に行われる場合、最も内側のレベルが最初に決定されなければなりません。次に、再帰パスの後続のレベルで括弧が削除されます。

もちろん、これにはバランスの取れたテキストを作成する方法が必要です。一部の正規表現エンジンはこれを実行できます。
使用しているエンジンがこれをサポートしていない場合は、テキスト処理を介して手動で実行する必要があります。

私はたまたま正規表現分析プログラムを持っています。私はあなたの最初の文字列をそれに送り込み、グループレベルで視覚的にフォーマットしました。パスごとに、再帰をシミュレートする内側の括弧を削除しました。

たぶん、これはあなたが何をする必要があるかを視覚化するのを助けることができます。

 ## Pass 0
 ## ---------
 (
      ( VBD )
      (
           (
                ( JJ )
           )
           ( CC )
           (
                ( RB )
                ( JJ )
           )
      )
      (
           ( IN )
           (
                ( DT )
                ( JJ )
                ( NNP )
                ( NNPS )
           )
      )
 )

 ## Pass 1
 ## ---------
 (
      ( VBD )
      (
           ( JJ )
           ( CC )
           ( RB JJ )
      )
      (
           ( IN )
           ( DT JJ NNP NNPS )
      )
 )

 ## Pass 2
 ## ---------
 (
      ( VBD )
      ( JJ CC RB JJ )
      ( IN DT JJ NNP NNPS )
 )

 ## Pass 3
 ## ---------
 ( VBD JJ CC RB JJ IN DT JJ NNP NNPS )

 ## Pass 4
 ## ---------
 VBD JJ CC RB JJ IN DT JJ NNP NNPS
于 2012-06-18T20:56:29.720 に答える
0

ここで角かっこを一致させることを考える必要はありません...パターンを再帰的に一致させたいだけのように聞こえます[()]([^()]*)[()]。

つまり、「noを含み、 or( )で区切られたものと一致する」()

于 2012-06-18T19:53:41.130 に答える