Wie Textextraktion bis bestimmten Zeichen mit regex und Python

Question

Ich habe einen Satz begrenzen: mit /NNP Tag

text = "Alun-alun/NNP Jombang/NNP tepatnya/RB Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP pagi/NN :/: :/: :/: Minggu/NNP" 

Ich mag /IN bis letztem Wort jedes Wort von Tag extrahieren.

Der Code so weit kann die Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP pagi/NN :/: :/: :/: Minggu/NNP extrahieren. Aber ich möchte, dass es aufhört, wenn der Code entweder /: oder /IN Tag erfüllt. Hier ist der Code so weit:

import re 

def entityExtract(text): 
    # text = re.findall(r'([^\s/]*/IN\b[^/]*(?:/(?!IN\b)[^/]*)*/NNP\b)', text) 
    text = re.findall(r'([^\s/]*/IN\b[^/]*(?:/(?!IN\b)[^/]*)*/(?:NNP|CDP)\b)', text) 
    return text 

text = "Alun-alun/NNP Jombang/NNP tepatnya/RB Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP pagi/NN :/: :/: :/: Minggu/NNP" 

extract = entityExtract(text) 

print text 
print extract 

Ausgang:

['Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP pagi/NN :/: :/: :/: Minggu/NNP'] 

Erwartetes Ergebnis ist:

['Depan/IN SMP/NNP 2/CDP Jombang/NNP Besok/NNP] 

Was ist der beste Weg, es zu lösen?

Answer 1

[^\s/]*/IN\b([^/]*/(?!IN\b|:\b)[^\s^/]*\b)*[^/]*/NNP\b

Am so verwirrt wie @DYZ darüber, wo Sie aufhören wollen, so basierte ich meinen Regex auf Ihrer Ausgabe.
Ich glaube, Sie wollen 'word/tag' Abschnitte der Zeichenfolge extrahieren und word+tag sind stark gekoppelt.

Wo Sie Ihren Tag stoppen zu wollen, ohne einschließlich wird von dieser Gruppe gesteuert (?!IN\b|:\b|NN\b)

prüfen regex here

Answer 2

Ich habe auf die Antwort von @bulbus sah und die regex, die in zeigte @ytomo Kommentare, die lautet:

[^\s/]*/IN\b[^/]*(?:/(?!IN\b|:\b)[^/]*\b)*/(?:NNP|CDP)\b 

Mein Problem ist, diese eine - und die anderen Vorschläge - keine Logik, um einen regulären Ausdruck für das Problem bei der Hand zu erstellen folgen. Lassen Sie mich Ihnen zeigen:

Der erste Teil, vor der Wiederholungsgruppe [^\s/]*/IN\b[^/]*, die ich vereinfachen werde \w+/IN\b [^ /] * 'entspricht mehr als Sie sollten. Schauen Sie sich example 1 an.

Was Sie lösen hier, in Worten ist:

• eine \ lesen w +/IN Gruppe
• durch eine beliebige Anzahl von \ s gefolgt [^ /] +/\ w + Gruppen, das ist nicht
• solange Sie lesen können ..... bis
• .... Sie haben die letzte NNP oder CDP-Gruppe gefunden, die Sie finden können.

Übersetzen Sie das direkt in eine Regex und Sie werden mit einer lesbareren Version kommen.(JMHO)

1. \w+/IN\b(\s[^/]+/[^\s]+) lesen erste Gruppe nach dem In-Gruppe (example 2)
2. \w+/IN\b(\s[^/]+/[^\s]+)* wiederholen, die zweite Gruppe (example 3)
3. \w+/IN\b(\s[^:/]+/(?!IN|:)[^\s]+)* ignorieren: /: und \ w +/IN-Gruppen (example 4)
4. \w+/IN\b(\s[^:/]+/(?!IN|:)[^\s]+)*\s\w+/(NNP|CDP)\b Stellen Sie sicher, Ihre letzte Gruppe ist NNP oder CDP (example 5)

Wenn w Vergleiche man dieses mit dem vorgeschlagenen Ergebnis von @ytomo in den Kommentaren der vorhergehenden Antwort, scheint es nicht so viel Unterschied zu geben. Der Grund, warum ich überhaupt geantwortet habe, ist, dass eine Regex lesbar und einer Logik entsprechend gelesen werden sollte. Ihr Code wird morgen in Produktion sein und - wenn Ihr Code kaputt geht - muss jemand ihn unter Zeitdruck überprüfen.