Python 用于检测列表中的专有名词的正则表达式

我有一个程序，显示文本中单词的频率列表（标记化文本），但我想要 首先：检测文本中的专有名词并将它们附加到另一个列表中（Cap_名词） 第二：将字典中没有的名词附加到另一个列表中（错误）

稍后，我想为发现的这些错误创建一个频率列表，并为发现的专有名词创建另一个频率列表

我检测专有名词的想法是找到以大写字母开头的项目，并将它们追加到此列表中，但我的正则表达式似乎无法执行此任务

有人能帮我吗？我的代码如下

from collections import defaultdict
import re
import nltk
from nltk.tokenize import word_tokenize



with open('fr-text.txt') as f:
    freq = word_tokenize(f.read())

with open ('Fr-dictionary_Upper_Low.txt') as fr:
    dic = word_tokenize(fr.read())


#regular expression to detect words with apostrophes and separated by hyphens    
pat=re.compile(r".,:;?!-'%|\b(\w'|w’)+\b|\w+(?:-\w+)+|\d+") 
reg= list(filter(pat.match, freq))
#regular expression for words that start with a capital letter
patt=re.compile(r"\b^A-Z\b")  
c_n= list(filter(patt.match, freq))

d=defaultdict(int)

#Empty list to append the items not found in the dictionary
errors=[ ]
Cnouns=[ ] #Empty list to append the items starting with a capital letter


for w in freq:
    d[w]+=1
    if w in reg:
        continue
    elif w in c_n:
        Cnouns.append(w)
    elif w not in dic:
        errors.append(w)



for w in sorted(d, key=d.get):
    print(w, d[w])


print(errors)
print(Cnouns)

---

如果我的代码还有什么问题，请告诉我

至于正则表达式部分，您的模式“有点偏离”。大多数情况下，您会忽略字符类的概念，即与类中定义的集合中的单个字符相匹配的类似于[abc]的模式

用于检测带撇号并用连字符分隔的单词的正则表达式：

pat=re.compile(r"(?:\w+['’])?\w+(?:-(?:\w+['’])?\w+)*") 

看。但是，它也将匹配常规数字或简单单词。为了避免匹配它们，您可以使用

pat=re.compile(r"(?:\w+['’])?\w+(?:-(?:\w+['’])?\w+)+|\w+['’]\w+")

看

详细信息

• （？：\w+[''）？

  -一个可选的非捕获组，匹配1个或0个出现的1+字字符，后跟

  '

  或

  '

• \w+

  -1个或多个单词字符

• （？：-（？：\w+['']）？\w+*

  -0次或更多重复

  • -（？：\w+[''）？

    -一个可选的非捕获组，匹配1次或0次出现的1+字字符，后跟

    '

    或

    '

  • \w+

    -1个或多个单词字符

接下来，

reg=list（filter（pat.match，freq））

可能无法执行您需要的操作，因为

re.match

。您很可能希望使用

re.match

：

reg = list(filter(pat.search, freq))
                      ^^^^^^

以大写字母开头的单词的正则表达式可以写成

patt=re.compile(r"\b[A-Z][a-z]*\b")  
c_n= list(filter(patt.search, freq))

看

---

\b

匹配单词边界，

[a-Z]

匹配任何大写ASCII字母，

[a-Z]*

部分匹配0个或多个小写ASCII字母，

\b

确保它们后面有一个单词边界。

r“\b^a-Z\b”

看起来像一个打字错误。你是想写

r“^[A-Z]\b”

在字符串开头找到一个大写字母单词吗？@WiktorStribiżew，是的！这就是我想要的…我会试试这个正则表达式。谢谢。您似乎误解了如何匹配列表或字符范围中的字符<代码>，：；？！-'%最有可能是

[，：；？！'%-]

。还有，

（\w'| w'）

应该是什么意思<代码>\w['']？（\w'| w'）是指一个包含撇号的单词，如“d'un”或“d'elyse”。您建议检测以大写字母开头的单词的正则表达式不起作用我没有说“start”，我说在字符串开头找到一个大写字母单词