Regex 如何在nltk语法中直接使用单词

我正在尝试使用python NLTK从给定的德语地址提取公司名称。 这是我使用的代码

import nltk

address="CompanyName GmbH * Keltenstr. 16 * 123456 Kippenheim * Deutschland"
tokens = nltk.word_tokenize(address)
textTokens = nltk.Text(tokens)
POStagList = nltk.pos_tag(textTokens)
print(POStagList)

grammar = """
        NP: 
            {<NN.?|JJ|FW>GmbH}"""


cp = nltk.RegexpParser(grammar)
result = cp.parse(POStagList)

for subtree in result.subtrees(filter=lambda t: t.label() == 'NP'):
   print("NP Subtree:", subtree)

导入nltk
地址=“公司名称股份有限公司*Keltenstr.16*123456 Kippenheim*德国”
tokens=nltk.word\u标记化（地址）
textTokens=nltk.Text（标记）
POStagList=nltk.pos_标记（文本标记）
印刷品（邮资英语）
语法=”“
NP:
{GmbH}”“”
cp=nltk.RegexpParser（语法）
结果=cp.parse（后英语）
对于result.subtrees中的子树（filter=lambda t:t.label（）=='NP'）：
打印（“NP子树：”，子树）

我需要输出：CompanyName GmbH

有时，它可能不是股份有限公司，而是公司或股份有限公司或有限责任公司等

如何解决这个问题

---

如何在语法中直接使用字符串值和转义序列字符？

不要将语法与文字字符串混合使用，您可以使用一种使用regex的变通方法：用POS标记标记标记，然后只获取已知单词之前所需的标记（如

GmbH

）

代码如下所示

import nltk
import re
address="CompanyName GmbH * Keltenstr. 16 * 123456 Kippenheim * Deutschland"
tokens = nltk.word_tokenize(address)
textTokens = nltk.Text(tokens)
POStagList = nltk.pos_tag(textTokens)
joined = ' '.join(["{}<{}>".format(word,tag) for word,tag in POStagList])
grammar = r'NN[^>]?|JJ|FW' # regex! 
print([re.sub("<(?:{})>".format(grammar), "", x.strip()) for x in re.findall(r'((?:\S+<(?:{0})> )+)(?:GmbH|Inc|corp|llc)<(?:{0})>'.format(grammar), joined)])

导入nltk
进口稀土
地址=“公司名称股份有限公司*Keltenstr.16*123456 Kippenheim*德国”
tokens=nltk.word\u标记化（地址）
textTokens=nltk.Text（标记）
POStagList=nltk.pos_标记（文本标记）
join='''.join（[“{}.format（word，tag）表示word，PostalGlist中的tag]）
语法=r'NN[^>]？| JJ | FW'#regex！
打印（[re.sub（“.format（grammar）”，x.strip（））用于x在re.findall（r'（（？：\S++）+（：GmbH | Inc | corp | llc）.格式（grammar），加入）]）

输出：

['CompanyName']

这里，语法是使用类似于

NN[^>]？|JJ | FW

的正则表达式指定的，其中

[^>]？

匹配任何字符，但

（只是为了确保我们不匹配

，就像

那样）。之后，regex将找到您需要的所有匹配项，但由于它们包含标记，因此必须使用

re.sub

删除它们，只需

]？|JJ | FW）>

regex即可

主要正则表达式详细信息：

• （（？：\S+]？|JJ|FW）+）

  -第1组：一个或多个1+非空白字符序列，后跟
  ，或

  JJ

  或

  FW

  ，然后是
  ，然后是空格

• （？：GmbH | Inc | corp | llc）

  -任何备选方案：

  GmbH

  、

  Inc

  、

  corp

  或

  llc

• ]？|JJ | FW）>

  -
  ，或

  JJ

  或

  FW

---

它有效吗？到底是什么问题？你不能简单地拆分

*

字符上的字符串并使用第一项吗？它不起作用。我需要正确的语法来获得“CompanyName GmbH”的结果。您能解释一下它是如何不起作用的吗？您能得到什么而不是

CompanyName GmbH

？是否有错误消息？我需要使用语法获取结果。我需要更多的语法来获取另一种格式的地址