从标记格式到正则表达式的翻译

Question

我正在使用一个名为AntConc的语料库语言学工具，在这个工具中，你有一个文档，其中每个单词都被标记为词性（名词、形容词等），你可以使用特定的命令来提取匹配项。例如，如果我正在寻找一个名词（标记为NN），我将使用*_NN，它将找到文档中的每个名词。你知道吗

我需要将我的*_TAG语法翻译成python regex，我不知道该怎么做。例如，我有一个短语：*_PP$ *_NN *_DT *_JJ *_NN（这翻译成所有格代词，名词，限定词，形容词，名词；它会发现像“她的声音完全重复”）的标签格式。你知道吗

怎样才能把这样的东西改成正则表达式呢？现在，我只接受那些基本的东西。稍后我会担心如何做“或”和“如果这然后这个”等等。你知道吗

如果您需要有关标签的更多信息，请尝试搜索POS标签爪，这将为您提供一个列表。你知道吗

非常感谢你的帮助！你知道吗

Answer 1

所以我做了一些研究，发现this PDF file描述了嵌入标记和非嵌入标记的概念。您正在查找嵌入的标记。如果我是对的，输入应该是这样的，对吗？你知道吗

her_PP$ voice_NN an_DT exact_JJ duplicate_NN

只有在更大的文本体中，你不知道实际的单词，你只知道_XX标记。你知道吗

在正则表达式中，必须比*更具体。在*中，您需要的是一个或多个作为单词一部分的字符（字母，但也可能包含连字符？）。所以这个名词是这样的：

[\w-]+_NN

这意味着word characters ^{}的character class ^{}，连字符-，repeated one or more times ^{}，后跟_NN。你知道吗

对于所有格代词，它有一个$，在正则表达式中有一个特殊的意义，如果你想要字符而不是它的特殊意义，你需要用前面的\来转义它，就像这样：

[\w-]+_PP\$

最后，您要考虑单词之间允许使用哪些字符。可以是空白，比如空格、制表符和输入，也就是\s+。也可以是“任何不是单词字符的字符”，以允许句点、逗号、引号、冒号等\W+（注意大写W与小写\w相反）。你知道吗

加起来等于：

[\w-]+_PP\$\W+[\w-]+_NN\W+[\w-]+_DT\W+[\w-]+_JJ\W+[\w-]+_NN

Debuggex Demo

要做到“未知数量的单词”你可以这样做：

(?:[\w-]+\W+)*?

因此，匹配单词[\w-]+的部分和介于\W+之间的部分被包装成一个非捕获组(?:...)，并且该组被称为与*一起出现0次或更多次，但是与?一起出现的次数尽可能少，以避免greediness。您可以看到它here并删除或添加一个X以查看它是否仍然匹配。你知道吗