Python技法：用re模組實現簡易tokenizer

2022 年 4 月 29 日
筆記
Python, tokenizer, 分詞器, 正則表達式

一個簡單的tokenizer

分詞（tokenization）任務是Python字元串處理中最為常見任務了。我們這裡講解用正則表達式構建簡單的表達式分詞器（tokenizer），它能夠將表達式字元串從左到右解析為標記(tokens)流。

給定如下的表達式字元串：

text = 'foo = 12 + 5 * 6'

我們想要將其轉換為下列以序列對呈現的分詞結果：

tokens = [('NAME', 'foo'), ('EQ', '='), ('NUM', '12'), ('PLUS', '+'),\
    ('NUM', '5'), ('TIMES', '*'), ('NUM', '6')]

要完成這樣的分詞操作，我們首先需要定義出所有可能的標記模式（所謂模式（pattern），為用來描述或者匹配/系列匹配某個句法規則的字元串，這裡我們用正則表達式來做為模式），注意此處要包括空格whitespace，否則字元串中出現任何模式中沒有的字元後，掃描就會停止。因為我們還需要給標記以NAME、EQ等名稱，我們採用正則表達式中的命名捕獲組來實現。

import re
NAME = r'(?P<NAME>[a-zA-Z_][a-zA-Z_0-9]*)' 
# 這裡?P<NAME>表示模式名稱，()表示一個正則表達式捕獲組，合在一起即一個命名捕獲組
EQ = r'(?P<EQ>=)'
NUM = r'(?P<NUM>\d+)' #\d表示匹配數字，+表示任意數量
PLUS = r'(?P<PLUS>\+)' #需要用\轉義
TIMES = r'(?P<TIMES>\*)' #需要用\轉義
WS = r'(?P<WS>\s+)' #\s表示匹配空格， +表示任意數量
master_pat = re.compile("|".join([NAME, EQ, NUM, PLUS, TIMES, WS]))  # | 用於選擇多個模式，表示"或"

接下來我們用模式對象中的scanner()方法來完成分詞操作，該方法創建一個掃描對象：

scanner = master_pat.scanner(text)

然後可以用match()方法獲取單次匹配結果，一次匹配一個模式：

scanner = master_pat.scanner(text)
m = scanner.match() 
print(m.lastgroup, m.group()) # NAME foo
m = scanner.match()
print(m.lastgroup, m.group()) # WS

當然這樣一次一次調用過於麻煩，我們可以使用迭代器來批量調用，並將單次迭代結果以具名元組形式存儲

Token = namedtuple('Token', ['type', 'value'])
def generate_tokens(pat, text):
    scanner = pat.scanner(text)
    for m in iter(scanner.match, None):
        #scanner.match做為迭代器每次調用的方法，
        #None為哨兵的默認值，表示迭代到None停止
        yield Token(m.lastgroup, m.group())
    
for tok in generate_tokens(master_pat, "foo = 42"):
    print(tok)

最終顯示錶達式串"foo = 12 + 5 * 6"的tokens流為：

Token(type='NAME', value='foo')
Token(type='WS', value=' ')
Token(type='EQ', value='=')
Token(type='WS', value=' ')
Token(type='NUM', value='12')
Token(type='WS', value=' ')
Token(type='PLUS', value='+')
Token(type='WS', value=' ')
Token(type='NUM', value='5')
Token(type='WS', value=' ')
Token(type='TIMES', value='*')
Token(type='WS', value=' ')
Token(type='NUM', value='6')

過濾tokens流

接下來我們想要過濾掉空格標記，使用生成器表達式即可：

tokens = (tok for tok in generate_tokens(master_pat, "foo = 12 + 5 * 6")
          if tok.type != 'WS')
for tok in tokens:
    print(tok)

可以看到空格被成功過濾：

Token(type='NAME', value='foo')
Token(type='EQ', value='=')
Token(type='NUM', value='12')
Token(type='PLUS', value='+')
Token(type='NUM', value='5')
Token(type='TIMES', value='*')
Token(type='NUM', value='6')

注意子串匹配陷阱

tokens在正則表達式(即"|".join([NAME, EQ, NUM, PLUS, TIMES, WS]))中順序也非常重要。因為在進行匹配時，re模組就會按照指定的順序對模式做匹配。故若碰巧某個模式是另一個較長模式的子串時，必須保證較長的模式在前面優先匹配。如下面分別展示正確的和錯誤的匹配方法：

LT = r'(?P<LT><)'
LE = r'(?P<LE><=)'
EQ = r'(?P<EQ>>=)'
master_pat = re.compile("|".join([LE, LT, EQ]))  # 正確的順序
master_pat = re.compile("|".join([LT, LE, EQ]))  # 錯誤的順序

第二種順序的錯誤之處在於，這樣會把'<='文本匹配為LT('<')緊跟著EQ('=')，而沒有匹配為單獨的LE(<=)。

對英文文章進行分詞可以按照括弧拆分，然後處理前後綴和停用詞，這一般被集成在了各類NLP工具中，此處不做展開。

我們對於「有可能」形成子串的模式也要小心，比如下面這樣：

PRINT = r'(?P<PRINT>print)'
NAME = r'(?P<NAME>[a-zA-Z_][a-zA-Z_0-9]*)'

master_pat = re.compile("|".join([PRINT, NAME]))  # 正確的順序

for tok in generate_tokens(master_pat, "printer"):
    print(tok)

可以看到被print實際上成了另一個模式的子串，導致另一個模式的匹配出現了問題：

# Token(type='PRINT', value='print')
# Token(type='NAME', value='er')

更高級的語法分詞，建議採用像PyParsing或PLY這樣的包。特別地，對於英文自然語言文章的分詞，一般被集成到各類NLP的包中（一般分為按空格拆分、處理前後綴、去掉停用詞三步驟）。對於中文自然語言處理分詞也有豐富的工具（比如jieba分詞工具包）。

引用

[1] Martelli A, Ravenscroft A, Ascher D. Python cookbook[M]. ” O’Reilly Media, Inc.”, 2015.

Tags: Python tokenizer 分詞器正則表達式