2

Здравствуйте, помогите найти оптимальное и правильное решение, чтобы распознать в строке text 4 элемента: type, name, teacher, auditory. Вот моё решение:

text = "lab. Subject name Au. Diachin 511"

word = Word(chars)
number = Word(nums)
dot = Suppress(Literal("."))

class_type = (Literal("pr") | Literal("lab") | Literal("c")) + dot
class_name = OneOrMore(word)
teacher = Word(chars, max=2) + dot + word
auditory = Word(nums, max=3)
lesson = class_type.setResultsName("type") + class_name.setResultsName("name") + teacher.setResultsName("teacher") + auditory.setResultsName("auditory") + StringEnd()
print lesson.lessonParseString(text)

Проблема в том, что шаблон class_name работает жадно и перехватывает слово у teacher. То есть в данном примере class_name захватит 3 слова: "Subject", "name", "Au" и teacher не проходит, так как его первое слово "Au" было перехвачено.

Правила такие:

<lesson> ::= <class_type>  <class_name> <teacher> <auditory>
1. type  = <class_type> ::= ("pr" | "lab" | "c") <dot>
2. name = <class_name> ::= <word>+
3. teacher = <teacher> ::= 1{<char>}2 <dot> <word>
4. auditory = <auditory> ::= 3{<num>}3

<word> ::= <char>+
<num> ::= '0'|'1'|'2'|...'8'|'9'
<char> ::= <lower> | <upper>
<lower> ::= 'a'|'b'|...'y'|'z'
<upper> ::= 'A'|'B'|...'Y'|'Z'

Если словами, то получается так: Текст представляет собой запись из расписания ВУЗа, эта запись должна начинаться с типа предмета type, за которым слудет имя предмета name, затем преподаватель teacher и аудитория, в которой проводится занятие auditory. Тип предмета может быть одним из вариантов "pr." | "lab." | "c.", а предмет состоит из одого или более слов. Преподаватель состоит из двух частей: первая часть представлена одной или двумя буквами, за которыми следует точка (сокращённое имя), вторая часть представляет слово (фамилия). Последний элемент в записи - Аудитория, в которой проводится занятие (3-х значное число). В составленной мною грамматике проблема заключается в том, что парсер собирает все подходящие слова из записи, включая имя автора без точки, и когда парсер проверяет шаблон преподавателя он упирается в точку и выдаёт исключение.

9
  • не ясно почему backtracking здесь не помогает. Такое же поведение (буквы перед точкой съедаются и не отдаются назад, даже если выражение целиком не парсится успешно) наблюдается и у парсера, сгенерированного с помощью grako. Я не нашёл как нежадное поведение включить и использовал negative lookahead, чтобы обойти проблему. пример кода
    – jfs
    30 мая 2015 в 12:24
  • Регулярное выражение работает даже с жадными операторами: re.match(r"(?P<type>(?:pr|lab|c)\.)\s*(?P<name>(?:\w+|\s+)+)\s+(?P<teacher>\w{1,2}\.\s*\w+)\s+(?P<auditory>\d{3})", "lab. Subject name Au. Diachin 511").groupdict()
    – jfs
    30 мая 2015 в 15:31
  • Похожий вопрос задавался тут: pyparsing.wikispaces.com/share/view/178079 Автор библиотеки ответил. Я пробовал по такой же схеме сделать, но не сработало. jfs, понравилось ваше решение с использованием grako. 30 мая 2015 в 18:19
  • @ptmcg говорит, что pyparsing не делает неявный lookahead, поэтому (на тот момент: 2006) нельзя class_name = OneOrMore(word) использовать. Можно как я в grako решении: запретить word заканчиваться на точку -- это работает, но это хак. Другой описанный по ссылке способ это использовать: class_name = SkipTo(teacher). А в чём проблема с regex решением?
    – jfs
    30 мая 2015 в 19:09
  • 1
    Да, сработало! Мне нужно будет проверять запись на несколько шаблонов, пока не совпадёт. Теперь вижу,регекс в таком случае лучше подходит. Можно в отдельном файле прописать все шаблоны, а потом прверять по ним записи. Это обеспечивает модульность и расширяемость. @jfs, спасибо вам большое. Вы мне указали 2 дополнительных варианта для моей задачи. 30 мая 2015 в 20:58

1 ответ 1

2

Нашёл решение:

# Basic sequences:
upperchars = u"AĂÂBCDEFGHIÎJKLMNOPQRSȘTȚUVWXYZ"
chars = upperchars.lower() + upperchars
charnums = chars + nums

# Basic patterns:
word = Word(chars)
number = Word(nums)
dot = Suppress(Literal("."))

# Atomic class patterns:
class_type = ( Literal("pr") | Literal("lab") | Literal("c") ) + dot
teacher = Word(chars, max=2) + dot + word.copy().setParseAction(lambda t: t[0].title())
auditory = Combine(Optional(Word(charnums, max=2) + Literal("-")) + Word(nums, max=3))
class_name = OneOrMore(~(teacher) + word) 
lesson = class_type + Group(class_name) + Group(teacher) + auditory + StringEnd()

text = u"lab. Subject name A. Șachin 6-511"

def test(pattern, s):
try:
    r = pattern.parseString(s)
except ParseException, pe:
    print "Parsing failed: %d" % pe.col
    print pe.msg

return r

r = test(lesson, text)
print r.dump()

Ключевым моментом было правильное определение грамматики для имени предмета: class_name = OneOrMore(~(teacher) + word) То есть, слова имени предмета не должны соответствовать преподавателю

Ваш ответ

Нажимая на кнопку «Отправить ответ», вы соглашаетесь с нашими пользовательским соглашением, политикой конфиденциальности и политикой о куки

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.