Python正则表达式：异或运算符

Question

假设我有以下字符串：

1. "DT NN IN NN"
2. "DT RB JJ NN"
3. "DT JJ JJ NN"
4. "DT RB RB NN NN"
5. "DT RB RB"

因此，我有一系列字符串：

list = ["DT NN IN NN", "DT RB JJ NN", "DT JJ JJ NN", "DT RB RB NN NN", "DT RB RB"]

我有以下代码：

pattern = "(?:DT\s+)+([?:RB\s+|?:JJ\s+])+(?:NN\s+)*NN$"
for item in list:
    m = re.match(pattern, item)
    if m:
        print item

我希望从pattern中匹配以DT开头（出现一次或多次）且具有RB或JJ（出现一次或多次），但不是两者都有，然后以NN结尾（同样出现一次或多次）的字符串。所以，在最终结果中，屏幕上应该打印出3和4。但是，使用我的正则表达式，我还得到了2，这不是我想要的。我该如何更改pattern才能使其工作？如何将管道（OR）替换为异或（XOR）？

- Belphegor

---

那么 NN 可以重复任意次数吗？ - Willem Van Onsem

在这种情况下，不使用正则表达式会更简单。 - Jakub Roztocil

是的，NN 可以重复多次，但必须以至少一个 NN 结尾。 - Belphegor

@Belphegor：NN可以与例如JJ交错使用吗？ DT JJ NN JJ NN是一个有效的字符串吗？ - Willem Van Onsem

@Belphegor：使用正则表达式进行自然语言模式处理？ ;) - Willem Van Onsem

Answer 1

问题在于您如何定义RB和JJ的存在。您没有提到只有其中之一应该存在。这可以通过使用|（管道）将它们分开，并让它们中的任何一个重复一次或多次（+）来实现。尝试将模式更改为以下内容：

pattern = "(?:DT\s+)+(?:(RB\s+)+|(JJ\s+)+)(?:NN\s+)*NN$"

此外，(?:<something>) 被称为非捕获组。使用它来表示“我想匹配 <something>，但在选择分组时不包括它。”根据您的代码，似乎您没有使用任何分组。您只是打印整个 item（除非您为简洁起见屏蔽了代码）。如果您实际上不需要分组，则可以使用以下简单版本：

pattern = "(DT\s+)+((RB\s+)+|(JJ\s+)+)(NN\s*)*NN$"

我还允许结尾的空格出现零次或多次，而不是像原始模式一样出现一次或多次。随意更改。

- th3an0maly

Answer 2

[...] 是一个字符类，表示匹配一组包括 ?、:、+ 和 | 等字符的字符。除了用于标记序列的 - 外，在字符类中没有修饰符或特殊字符。

你需要匹配 RB 或 JJ 的重复出现：

pattern = r"(?:DT\s+)+(?:(?:RB\s+)+|(?:JJ\s+)+)NN"

我将简化它; 无论如何，您都没有使用任何组。

此模式的在线演示：https://regex101.com/r/iH4lE6/1 由于您不依赖于捕获组，因此使用非捕获组也没有什么意义；只需使用(...)而不是(?:...)来使用更简洁的正则表达式。

您可能希望添加锚点以确保DT仅在开头匹配，并将结尾处的NN替换为(NN\s+)*NN$以将其锚定在末尾，并将空格匹配移动到每个重复组的开头。

pattern = r"^DT(\s+DT)*((\s+RB)+|(\s+JJ)+)(\s+NN)+$"

这个版本的在线演示: https://regex101.com/r/iH4lE6/2

- Martijn Pieters

---

根据 这条评论，NN 可以重复任意次数。 - Willem Van Onsem

这对我不起作用，它会匹配像“DT JJ JJ NN JJ NN DT NN”这样的模式，而我不需要那个。它必须以DT开头，至少有一个（或多个）RB或JJ，然后以一个或多个NN结尾。 - Belphegor

@Belphegor：已更新；您能否更新您的问题，包括那个样本？ - Martijn Pieters

@MartijnPieters 是的，现在这个可以工作了（有一个例外：DT可能会出现多次，我更新了问题）。无论如何，另一个答案更快，所以我接受了那个。感谢您的帮助+1！ - Belphegor

@Belphegor：没错，已更新以匹配开头重复的DTs！ - Martijn Pieters

Answer 3

如果我理解问题正确，您可以通过将其分成两个独立的问题来解决此问题：

• A regex that starts with DT followed by one or more RBs followed by one or more NNs:

  ^DT(\s+DT)*(\s+RB)+(\s+NN)+$
  

• A regex that starts with DT followed by one or more JJs followed by one or more NNs:

  ^DT(\s+DT)*(\s+JJ)+(\s+NN)+$
  

现在，您只需在这两个之间放置一个管道（或运算符）即可：

^((DT(\s+DT)*(\s+RB)+(\s+NN)+)|(DT(\s+DT)*(\s+JJ)+(\s+NN)+))$

并通过重构简化它为：

^DT(\s+DT)*((\s+RB)+|(\s+JJ)+)(\s+NN)+$

或者使用Regexper进行可视化呈现：

- Willem Van Onsem

---

谢谢您的评论，这个方法有效，但有一个例外：DT可以出现一次或多次（我刚才看到我忘了在原来的问题中提到这一点）。我接受了另一个答案，因为它可以解决我的问题而且那个人回复得更快 :) 感谢您详细的回答，确实很有帮助！ - Belphegor