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中MySQLdb模块用法实例
Nov 10 Python
Python sys.argv用法实例
May 28 Python
Python之Scrapy爬虫框架安装及使用详解
Nov 16 Python
使用python实现ANN
Dec 20 Python
详解Python中的正则表达式
Jul 08 Python
python pexpect ssh 远程登录服务器的方法
Feb 14 Python
解决py2exe打包后,总是多显示一个DOS黑色窗口的问题
Jun 21 Python
PYcharm 激活方法(推荐)
Mar 23 Python
Python3.8安装Pygame教程步骤详解
Aug 14 Python
python+requests接口自动化框架的实现
Aug 31 Python
Python中文纠错的简单实现
Jul 07 Python
Python实现排序方法常见的四种
Jul 15 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
超级简单的发送邮件程序
2006/10/09 PHP
新安装的MySQL数据库需要注意的安全知识
2008/07/30 PHP
深入理解PHP之源码目录结构与功能说明
2016/06/01 PHP
thinkPHP模板算术运算相关函数用法分析
2016/07/12 PHP
分析php://output和php://stdout的区别
2018/05/06 PHP
php实现对文件压缩简单的方法
2019/09/29 PHP
在Javascript中定义对象类别
2006/12/22 Javascript
LBS blog sql注射漏洞[All version]-官方已有补丁
2007/08/26 Javascript
jquery的ajax简单结构示例代码
2014/02/17 Javascript
一道JS前端闭包面试题解析
2015/12/25 Javascript
javascript中eval解析JSON字符串
2016/02/27 Javascript
非常实用的js验证框架实现源码 附原理方法
2016/06/08 Javascript
jQuery自定义组件(导入组件)
2016/11/08 Javascript
微信小程序 后台https域名绑定和免费的https证书申请详解
2016/11/10 Javascript
微信小程序开发之入门实例教程篇
2017/03/07 Javascript
深入理解vue中的slot与slot-scope
2019/04/22 Javascript
小程序实现订单倒计时功能
2019/04/23 Javascript
layer.js open 隐藏滚动条的例子
2019/09/05 Javascript
layer.open 子页面弹出层向父页面传输数据的例子
2019/09/26 Javascript
Python牛刀小试密码爆破
2011/02/03 Python
将Python中的数据存储到系统本地的简单方法
2015/04/11 Python
Python使用sorted对字典的key或value排序
2018/11/15 Python
pycharm访问mysql数据库的方法步骤
2019/06/18 Python
Python 使用 docopt 解析json参数文件过程讲解
2019/08/13 Python
Pytorch 多块GPU的使用详解
2019/12/31 Python
如何使用python实现模拟鼠标点击
2020/01/06 Python
python交互模式基础知识点学习
2020/06/18 Python
CSS3属性box-sizing使用指南
2014/12/09 HTML / CSS
Probikekit日本:自行车套件,跑步和铁人三项装备
2017/04/03 全球购物
La Senza官网:北美顶尖性感内衣品牌
2018/08/03 全球购物
网络工程系信息安全技术专业大学生求职信
2013/10/22 职场文书
接待员岗位责任制
2014/02/10 职场文书
食堂厨师岗位职责
2014/08/25 职场文书
争做文明公民倡议书
2014/08/29 职场文书
2015年安全工作总结范文
2015/04/02 职场文书
2016小学新学期寄语
2015/12/04 职场文书