Java 提取名词词&；词性标记的原句

我想从句子中提取名词，并从POS标记中返回原始句子

 //Extract the words before _NNP & _NN from below  and also how to get back the original sentence from the Pos TAG. 
 Original Sentence:Hi. How are you? This is Mike·
 POSTag: Hi._NNP How_WRB are_VBP you?_JJ This_DT is_VBZ Mike._NN

我试过这样的东西

    String txt = "Hi._NNP How_WRB are_VBP you?_JJ This_DT is_VBZ Mike._NN";


    String re1 = "((?:[a-z][a-z0-9_]*))";   // Variable Name 1
    String re2 = ".*?"; // Non-greedy match on filler
    String re3 = "(_)"; // Any Single Character 1
    String re4 = "(NNP)";   // Word 1

    Pattern p = Pattern.compile(re1 + re2 + re3 + re4, Pattern.CASE_INSENSITIVE | Pattern.DOTALL);
    Matcher m = p.matcher(txt);
    if (m.find()) {
        String var1 = m.group(1);
        System.out.print(  var1.toString()  );
    }
}

输出：Hi 但是我需要一个句子中所有名词的列表。

使用

while（m.find（））

而不是

if（m.find（））

来迭代所有匹配项

此外，您的正则表达式可以真正简化：

• 如果不需要捕获数据，只需不加括号（通常）
• 您使用的是

  （（？：…）

  ，这很奇怪：直接嵌套在捕获组中的非捕获组没有意义
• 我不确定

  *？

  部分是否符合您的期望。如果要匹配点，请使用

  [.]

因此，请尝试使用

（[a-z][a-z0-9.]*）[.]\u NNP

或者甚至使用正向前瞻：

[a-z][a-z0-9\]*（？=[.]\u NNP）

。使用

m.group（）

访问捕获的数据。

要提取名词，可以执行以下操作：

public static String[] extractNouns(String sentenceWithTags) {
    // Split String into array of Strings whenever there is a tag that starts with "._NN"
    // followed by zero, one or two more letters (like "_NNP", "_NNPS", or "_NNS")
    String[] nouns = sentenceWithTags.split("_NN\\w?\\w?\\b");
    // remove all but last word (which is the noun) in every String in the array
    for(int index = 0; index < nouns.length; index++) {
        nouns[index] = nouns[index].substring(nouns[index].lastIndexOf(" ") + 1)
        // Remove all non-word characters from extracted Nouns
        .replaceAll("[^\\p{L}\\p{Nd}]", "");
    }
    return nouns;
}

public static String extractOriginal(String sentenceWithTags) {
    return sentenceWithTags.replaceAll("_([A-Z]*)\\b", "");
}

证明其有效的证据：

public static void main(String[] args) {
    String sentence = "Hi._NNP How_WRB are_VBP you?_JJ This_DT is_VBZ Mike._NN";
    System.out.println(java.util.Arrays.toString(extractNouns(sentence)));
    System.out.println(extractOriginal(sentence));
}

输出：

注意：对于从提取的名词中删除所有非单词字符（如标点符号）的正则表达式，我使用了。

这个应该可以

import java.util.ArrayList;
public class Test {

public static final String NOUN_REGEX = "[a-zA-Z]*_NN\\w?\\w?\\b";

public static ArrayList<String> extractNounsByRegex(String sentenceWithTags) {
    ArrayList<String> nouns = new ArrayList<String>();
    String[] words = sentenceWithTags.split("\\s+");
    for (int i = 0; i < words.length; i++) {
        if(words[i].matches(NOUN_REGEX)) {
            System.out.println(" Matched ");
            //remove the suffix _NN* and retain  [a-zA-Z]*
                nouns.add(words[i].replaceAll("_NN\\w?\\w?\\b", ""));
            }
        }
        return nouns;
    }

    public static String extractOriginal(String word) {
                return word.replaceAll("_NN\\w?\\w?\\b", "");
    }

    public static void main(String[] args) {
        //        String sentence = "Hi._NNP How_WRB are_VBP you?_JJ This_DT is_VBZ Mike._NN";
        String sentence = "Eiffel_NNP tower_NN is_VBZ in_IN paris_NN Hi_NNP How_WRB are_VBP you_PRP This_DT is_VBZ Mike_NNP Barrack_NNP Obama_NNP is_VBZ a_DT president_NN this_VBZ";
        System.out.println(extractNounsByRegex(sentence).toString());
        System.out.println(sentence);
    }
}

import java.util.ArrayList；
公开课考试{
公共静态最终字符串名词\u REGEX=“[a-zA-Z]*\u NN\\w？\\w？\\b”；
公共静态ArrayList extractNounsByRegex（带标记的字符串语句）{
ArrayList名词=新的ArrayList（）；
String[]words=sentenceWithTags.split（\\s+）；
for（int i=0；i

您试过什么了吗

[a-zA-Z]（？=[.]\u NN）

将捕获任何后跟

\u NN

的字母字符字符串，也许您可以从它开始。感谢您的回复。您的示例中有一个输入错误。在第一块中，“Mike.”后面跟着“_NN”，但在第二块中它后面跟着“_NNP”。这是一种名词类型，是专有名词我得到了词性标签，它给了我不同类型的名词谢谢你的回答James，它非常适合名词NN，但我需要所有这些NN-名词，单数或复数，NNP专有名词，单数，NNPS专有名词，复数，NNS名词，复数，这不是句子中的拼写错误。我修正了拼写错误，但我如何分割不同的名词，因为目前它只以名词结尾_NN分割，我还需要提取带有_NNP，_NNPS，_NNS的名词。@srp哦，好的。在这种情况下，只需将“\\w？\\w？”添加到正则表达式“\u NN\\b”的末尾即可。“\\w”查找一个单词字符，“？”表示零次或一次出现，因此将查找“\u NN”，后跟零、一或两个单词字符。更新答案。@srp EDIT:在extractOriginal（）方法中修改了正则表达式，现在更加健壮了。@James，你在评论中说//除去数组中每个字符串中的最后一个单词（即名词）以外的所有单词，这就是始终将最后一个单词添加到名词数组中，即使它不是名词，并且并非每次都强制要求最后一个单词是名词。我如何消除这种情况？你能告诉我吗

import java.util.ArrayList;
public class Test {

public static final String NOUN_REGEX = "[a-zA-Z]*_NN\\w?\\w?\\b";

public static ArrayList<String> extractNounsByRegex(String sentenceWithTags) {
    ArrayList<String> nouns = new ArrayList<String>();
    String[] words = sentenceWithTags.split("\\s+");
    for (int i = 0; i < words.length; i++) {
        if(words[i].matches(NOUN_REGEX)) {
            System.out.println(" Matched ");
            //remove the suffix _NN* and retain  [a-zA-Z]*
                nouns.add(words[i].replaceAll("_NN\\w?\\w?\\b", ""));
            }
        }
        return nouns;
    }

    public static String extractOriginal(String word) {
                return word.replaceAll("_NN\\w?\\w?\\b", "");
    }

    public static void main(String[] args) {
        //        String sentence = "Hi._NNP How_WRB are_VBP you?_JJ This_DT is_VBZ Mike._NN";
        String sentence = "Eiffel_NNP tower_NN is_VBZ in_IN paris_NN Hi_NNP How_WRB are_VBP you_PRP This_DT is_VBZ Mike_NNP Barrack_NNP Obama_NNP is_VBZ a_DT president_NN this_VBZ";
        System.out.println(extractNounsByRegex(sentence).toString());
        System.out.println(sentence);
    }
}