Question

我正在使用NLTK POS标记从文本中提取信息，在此示例中，我正在寻找IBAN。对于某些文本，代码返回多个块，但是我不介意，稍后我将使用RegEx将正确的代码分类。现在是我的问题：有没有更漂亮的方法来获取块的字符串，以便我可以使用它们或保存它们？

当然，您可以采用人工方法（即遍历ibanChunk中的所有行，然后遍历ibanChunk.replace（..）等），但必须有更好的方法，至少这就是我希望的方法。

tagged_sents = list(corp.tagged_sents())
tagger = ClassifierBasedGermanTagger(train=tagged_sents)
tagged_sents = tagger.tag(filtered_sentence)

ibanChunkGram = r"""Chunk: {(<VMPP><CARD>*)|(<FM><CARD>+)}"""
chunkParser = nltk.RegexpParser(ibanChunkGram)
ibanChunk = chunkParser.parse(tagged_sents)

print(ibanChunkGram)

现在，该行的输出如下所示：

(Chunk DE01/FM 2345/CARD 6789/CARD 0000/CARD 0000/CARD 00/CARD)

我想拥有的是：

DE01 2345 6789 0000 0000 00

编辑：这是一个基本示例：

This is a minimal example of POS-tagging. I want to extract an IBAN (DE01 2345 6789 0000 0000 00) and I hope The Machine 01 can find it quick.

这是我的代码的输出：

(S
  This/NE
  is/FM
  a/FM
  minimal/FM
  example/FM
  of/FM
  POS-tagging/FM
  ./$.
  I/FM
  want/FM
  to/FM
  extract/FM
  IBAN/FM
  (/$(
  (Chunk DE01/FM 2345/CARD 6789/CARD 0000/CARD 0000/CARD 00/CARD)
  )/$(
  and/NE
  I/NE
  hope/VAFIN
  The/NE
  Machine/NE
  01/CARD
  can/XY
  find/XY
  it/XY
  quick/XY
  ./$.)

Answer 1

好的，我现在已经弄清楚了。万一有人也对这个问题感到困惑，这是我的解决方案：在我的案例中，ibanChunk是一个元组列表，但是Chunk原来是一棵树，而不是一个元组，所以我以其为优势，这是我的代码：

for elem in ibanChunk:
    if isinstance(elem, nltk.Tree):
        ibanString = ""
        for (text, tag) in elem:
            ibanString += text
        chunkList.append(ibanString)

并且列表中所有块的文本都为字符串。

从块中提取字符串

1 个答案: