如何Python使用re模块实现okenizer


Posted in Python onApril 30, 2022

一个简单的tokenizer

分词(tokenization)任务是Python字符串处理中最为常见任务了。我们这里讲解用正则表达式构建简单的表达式分词器(tokenizer),它能够将表达式字符串从左到右解析为标记(tokens)流。

给定如下的表达式字符串:

text = 'foo = 12 + 5 * 6'

我们想要将其转换为下列以序列对呈现的分词结果:

tokens = [('NAME', 'foo'), ('EQ', '='), ('NUM', '12'), ('PLUS', '+'),\
    ('NUM', '5'), ('TIMES', '*'), ('NUM', '6')]

要完成这样的分词操作,我们首先需要定义出所有可能的标记模式(所谓模式(pattern),为用来描述或者匹配/系列匹配某个句法规则的字符串,这里我们用正则表达式来做为模式),注意此处要包括空格whitespace,否则字符串中出现任何模式中没有的字符后,扫描就会停止。因为我们还需要给标记以NAME、EQ等名称,我们采用正则表达式中的命名捕获组来实现。

import re
NAME = r'(?P<NAME>[a-zA-Z_][a-zA-Z_0-9]*)' 
# 这里?P<NAME>表示模式名称,()表示一个正则表达式捕获组,合在一起即一个命名捕获组
EQ = r'(?P<EQ>=)'
NUM = r'(?P<NUM>\d+)' #\d表示匹配数字,+表示任意数量
PLUS = r'(?P<PLUS>\+)' #需要用\转义
TIMES = r'(?P<TIMES>\*)' #需要用\转义
WS = r'(?P<WS>\s+)' #\s表示匹配空格, +表示任意数量
master_pat = re.compile("|".join([NAME, EQ, NUM, PLUS, TIMES, WS]))  # | 用于选择多个模式,表示"或"

接下来我们用模式对象中的scanner()方法来完成分词操作,该方法创建一个扫描对象:

scanner = master_pat.scanner(text)

然后可以用match()方法获取单次匹配结果,一次匹配一个模式:

scanner = master_pat.scanner(text)
m = scanner.match() 
print(m.lastgroup, m.group()) # NAME foo
m = scanner.match()
print(m.lastgroup, m.group()) # WS

当然这样一次一次调用过于麻烦,我们可以使用迭代器来批量调用,并将单次迭代结果以具名元组形式存储

Token = namedtuple('Token', ['type', 'value'])
def generate_tokens(pat, text):
    scanner = pat.scanner(text)
    for m in iter(scanner.match, None):
        #scanner.match做为迭代器每次调用的方法,
        #None为哨兵的默认值,表示迭代到None停止
        yield Token(m.lastgroup, m.group())
for tok in generate_tokens(master_pat, "foo = 42"):
    print(tok)

最终显示表达式串"foo = 12 + 5 * 6"的tokens流为:

Token(type='NAME', value='foo')
Token(type='WS', value=' ')
Token(type='EQ', value='=')
Token(type='WS', value=' ')
Token(type='NUM', value='12')
Token(type='WS', value=' ')
Token(type='PLUS', value='+')
Token(type='WS', value=' ')
Token(type='NUM', value='5')
Token(type='WS', value=' ')
Token(type='TIMES', value='*')
Token(type='WS', value=' ')
Token(type='NUM', value='6')

过滤tokens流

接下来我们想要过滤掉空格标记,使用生成器表达式即可:

tokens = (tok for tok in generate_tokens(master_pat, "foo = 12 + 5 * 6")
          if tok.type != 'WS')
for tok in tokens:
    print(tok)

可以看到空格被成功过滤:

Token(type='NAME', value='foo')
Token(type='EQ', value='=')
Token(type='NUM', value='12')
Token(type='PLUS', value='+')
Token(type='NUM', value='5')
Token(type='TIMES', value='*')
Token(type='NUM', value='6')

注意子串匹配陷阱

tokens在正则表达式(即"|".join([NAME, EQ, NUM, PLUS, TIMES, WS]))中顺序也非常重要。因为在进行匹配时,re模块就会按照指定的顺序对模式做匹配。故若碰巧某个模式是另一个较长模式的子串时,必须保证较长的模式在前面优先匹配。如下面分别展示正确的和错误的匹配方法:

LT = r'(?P<LT><)'
LE = r'(?P<LE><=)'
EQ = r'(?P<EQ>>=)'
master_pat = re.compile("|".join([LE, LT, EQ]))  # 正确的顺序
master_pat = re.compile("|".join([LT, LE, EQ]))  # 错误的顺序

第二种顺序的错误之处在于,这样会把'<='文本匹配为LT('<')紧跟着EQ('='),而没有匹配为单独的LE(<=)。

我们对于“有可能”形成子串的模式也要小心,比如下面这样:

PRINT = r'(?P<PRINT>print)'
NAME = r'(?P<NAME>[a-zA-Z_][a-zA-Z_0-9]*)'
master_pat = re.compile("|".join([PRINT, NAME]))  # 正确的顺序
for tok in generate_tokens(master_pat, "printer"):
    print(tok)

可以看到被print实际上成了另一个模式的子串,导致另一个模式的匹配出现了问题:

# Token(type='PRINT', value='print')
# Token(type='NAME', value='er')

更高级的语法分词,建议采用像PyParsing或PLY这样的包。特别地,对于英文自然语言文章的分词,一般被集成到各类NLP的包中(一般分为按空格拆分、处理前后缀、去掉停用词三步骤)。对于中文自然语言处理分词也有丰富的工具(比如jieba分词工具包)。

引用

[1] Martelli A, Ravenscroft A, Ascher D. Python cookbook[M]. " O'Reilly Media, Inc.", 2015. 数学是符号的艺术,音乐是上界的语言。

到此这篇关于Python使用re模块实现okenizer的文章就介绍到这了!


Tags in this post...

Python 相关文章推荐
python获取糗百图片代码实例
Dec 18 Python
总结Python中逻辑运算符的使用
May 13 Python
Python实现建立SSH连接的方法
Jun 03 Python
Python提取Linux内核源代码的目录结构实现方法
Jun 24 Python
python3.x上post发送json数据
Mar 04 Python
分享vim python缩进等一些配置
Jul 02 Python
一行代码让 Python 的运行速度提高100倍
Oct 08 Python
python加载自定义词典实例
Dec 06 Python
Python的形参和实参使用方式
Dec 24 Python
Python批量处理csv并保存过程解析
May 16 Python
python合并多个excel文件的示例
Sep 23 Python
python全栈开发语法总结
Nov 22 Python
如何使用python包中的sched事件调度器
Apr 30 #Python
详解OpenCV获取高动态范围(HDR)成像
详解OpenCV曝光融合
python使用shell脚本创建kafka连接器
Apr 29 #Python
python中pycryto实现数据加密
Apr 29 #Python
Python如何快速找到多个字典中的公共键(key)
Apr 29 #Python
Python如何让字典保持有序排列
Apr 29 #Python
You might like
学习使用curl采集curl使用方法
2012/01/11 PHP
php实现的redis缓存类定义与使用方法示例
2017/08/09 PHP
Windows服务器中PHP如何安装redis扩展
2019/09/27 PHP
Jquery replace 字符替换实现代码
2010/12/02 Javascript
DOM基础教程之模型中的模型节点
2015/01/19 Javascript
jquery validate.js表单验证入门实例(附源码)
2015/11/10 Javascript
AngularJS基础 ng-class-odd 指令示例
2016/08/01 Javascript
Vuejs第十三篇之组件——杂项
2016/09/09 Javascript
WEB开发之注册页面验证码倒计时代码的实现
2016/12/15 Javascript
Vue组件全局注册实现警告框的实例详解
2018/06/11 Javascript
vue使用keep-alive实现组件切换时保存原组件数据方法
2020/10/30 Javascript
js仿淘宝放大镜效果
2020/12/28 Javascript
[49:35]LGD vs OG 2018国际邀请赛淘汰赛BO3 第二场 8.25
2018/08/29 DOTA
Python使用turtule画五角星的方法
2015/07/09 Python
Python中的集合介绍
2019/01/28 Python
Python基于滑动平均思想实现缺失数据填充的方法
2019/02/21 Python
python实现海螺图片的方法示例
2019/05/12 Python
Python closure闭包解释及其注意点详解
2019/08/28 Python
使用Python完成15位18位身份证的互转功能
2019/11/06 Python
python 实现turtle画图并导出图片格式的文件
2019/12/07 Python
python简单的三元一次方程求解实例
2020/04/02 Python
Opencv求取连通区域重心实例
2020/06/04 Python
浅谈HTML5新增和废弃的标签
2019/04/28 HTML / CSS
Cynthia Rowley官网:全球领先的生活方式品牌
2020/10/27 全球购物
早餐连锁店计划书
2014/01/08 职场文书
揠苗助长教学反思
2014/02/04 职场文书
机工车间主任岗位职责
2014/03/05 职场文书
幼儿园教师获奖感言
2014/03/11 职场文书
信仰心得体会
2014/09/05 职场文书
学生未请假就回家检讨书
2014/09/22 职场文书
批评与自我批评范文
2014/10/15 职场文书
铁路安全反思材料
2014/12/24 职场文书
禁毒心得体会范文
2016/01/15 职场文书
Go语言 go程释放操作(退出/销毁)
2021/04/30 Golang
SpringBoot快速入门详解
2021/07/21 Java/Android
nginx搭建NFS网络文件系统
2022/04/14 Servers