将 TAG 格式转换为语料库的正则表达式

我正在使用一个名为 AntConc 的语料库语言学工具，其中有一个文档，其中每个单词都被标记为词性（名词、形容词等），并且您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），我会使用*_NN它会找到文档中的每个名词。

我需要翻译我的*_TAG语法到 python 正则表达式中，我不知道该怎么做。比如我有一句话：*_PP$ *_NN *_DT *_JJ *_NN（这会转换为所有格代词、名词、限定词、形容词、名词；它会发现诸如“她的声音完全重复”之类的内容）采用 TAG 格式。

如何将此类内容更改为正则表达式？现在，我只讲一些基本的东西。稍后我会担心弄清楚如何做“或”和“如果这个那么这个”等等。

如果您需要有关标签的更多信息，请尝试搜索 POS 标签 CLAWS，它应该会为您提供一个列表。

非常感谢你的帮助！

所以我做了一些研究并发现这个PDF文件 http://www.laurenceanthony.net/software/antconc/releases/AntConc343/help.pdf描述嵌入标签和非嵌入标签的概念。您正在寻找嵌入的标签。那么如果我是正确的，输入会是这样的，对吧？

她_PP$ 声音_NN 和_DT 精确_JJ 重复_NN

只有这样，在更大的文本正文中，你不知道实际的单词，你只知道_XX tags.

在正则表达式中，你必须更具体*。你想要什么来代替*是单词中的 1 个或多个字符（字母，但也可能包含连字符？）。这使得这个名词：

[\w-]+_NN

这意味着一个字符类[...] http://www.regular-expressions.info/charclass.html of 单词字符\w http://www.regular-expressions.info/refcharclass.html和连字符-, 重复一次或多次+ http://www.regular-expressions.info/repeat.html， 其次是_NN.

对于所有格代词来说，它有一个$那里在正则表达式中有特殊含义，如果你想要特点 $而不是它的特殊含义，你需要用前面的转义\像这样：

[\w-]+_PP\$

最后，您要考虑单词之间允许使用哪些字符。可能只是空白，如空格、制表符和回车符，这将是\s+。也可能是“任何不是单词字符的字符”允许句点、逗号、引号、冒号等。那就是\W+（注意大写W与小写字母相反\w).

结合起来，这相当于：

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

调试演示 https://www.debuggex.com/r/i6mnOsamsRlJavRN

To do “未确定数量的未知单词”你会这样做：

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

所以与单词匹配的部分[\w-]+以及介于两者之间的部分\W+被包装到非捕获组中(?:...)据说该组出现 0 次或多次*但尽可能少的次数?避免贪婪 http://www.regular-expressions.info/repeat.html#greedy。你可以看到here https://www.debuggex.com/r/ANNiX3Mh1wdyI4Vk并删除或添加 X 以查看它是否仍然匹配。