问题描述
我正在使用以下脚本，以便 Rasa 框架在用户传递荷兰邮政编码时检测到：
https://medium.com/@naoko.reeves/rasa-regex-entity-extraction-317f047b28b6
荷兰邮政编码的格式是 1234 AB。这在使用正则表达式时非常有效，例如：
[1-9][0-9]{3}[\s]?[a-z]{2}
但是，我现在正在尝试实现语音转文本功能（Azure 认知服务），该功能不太容易识别字母表。例如“B”被选为“Bee”。
我现在正在尝试更改正则表达式，以便用户可以说“1 2 3 4 Alpha Bravo”，而正则表达式提取器会选择“1 2 3 4 A B”。
我尝试过使用如下的词边界：
[1-9]*[\s]?[0-9]*[\s]?[0-9]*[\s]?[0-9]*[\s]?\b[a-zA-Z]
和
[1-9]\s[0-9\s]{5}\s?\b[a-zA-Z]
前者过于宽松，如果用户说“你好”，它将触发正则表达式提取器并将“HT”传递给邮政编码行为。
后者更严格，但我只能得到 '1 2 3 4 Alpha Bravo' 匹配为 '1 2 3 4 A'。
对于如何解决此问题的任何解决方案，我都非常感激。如果这在 Regex 中不容易实现，我相信在链接的中等文章中更改以下函数会得到我想要的结果。不幸的是，我不是 Python/Regex 专家:)
def match_regex(self,message):
extracted = []
for d in self.regex_feature:
match = re.search(pattern=d['pattern'],string=message)
if match:
entity = {
"start": match.pos,"end": match.endpos,"value": match.group(),"confidence": 1.0,"entity": d['name'],}
extracted.append(entity)
extracted = self.add_extractor_name(extracted)
return extracted
我希望这已经足够清楚了。
谢谢！
杰克
解决方法
也许你可以试试这个正则表达式：
(?i)\b([1-9][0-9]{3} ?[a-z])[a-z]* +([a-z])[a-z]*
无论与此正则表达式匹配的内容，只需将其替换为 \1\2，即 Group1 的内容后跟 Group 2 的内容。
说明：
-
(?i)- 切换使匹配不区分大小写 -
\b- 一个词边界 -
([1-9][0-9]{3} ?[a-z])- 组 1 的内容如下所述-
[1-9]- 匹配从 1 到 9 的任何数字 -
[0-9]{3}- 匹配 3 次从 0 到 9 的任何数字 -
?- 匹配 0 或 1 个空格 -
[a-z]- 匹配单个出现的字母。 这将是数字后第一个单词的第一个字母
-
-
[a-z]*- 匹配 0+ 个字母 -
+- 匹配 1+ 个空格 -
([a-z])- 匹配一个字母并将其存储在 Group 2 中。 这将是第二个单词的第一个字母 -
[a-z]*- 匹配 0+ 个字母
您可以使用 3 组匹配数字之间和大写字符 A-Z 之间的可选空格。
([1-9](?:\s*[0-9]){3})\s?([A-Z])[a-z]*\s*([A-Z])[a-z]*
模式匹配
-
([1-9](?:\s*[0-9]){3})匹配 4 位数字和可选的空白字符 -
\s?匹配一个可选的空格 -
([A-Z])[a-z]*\s*匹配一个大写字符 A-Z 后跟可选的小写字符和可选的 whitespac -
([A-Z])[a-z]*匹配大写字符 A-Z 后跟可选的小写字符
更严格的选项可能是匹配大写字符 A-Z 后跟仅使用可选重复反向引用的相同字符的大写或小写变体
\b([1-9](?:\s*[0-9]){3})\s?([A-Z])(?i:\2*)\s*([A-Z])(?i:\3*)\b
import re
pattern = r"\b([1-9](?:\s*[0-9]){3})\s?([A-Z])(?i:\2*)\s*([A-Z])(?i:\3*)\b"
strings = [
"1 2 3 4 Alpha Bravo","1234 Alpha Bravo","1234A Bbbbbbbc","1234Aaa Bbb","1234Aa Bbb","1234A BbbbbBbb"
]
for s in strings:
print(re.findall(pattern,s))
输出
[]
[]
[]
[('1234','A','B')]
[('1234','B')]