使用 java regex 时如何避免捕获重叠模式？

Question

在以下带有 POS 标记的句子（和类似句子）中，使用什么正则表达式来仅捕获两个词的名词名词复合词（即\p{Alnum}+_NN[PS]? \p{Alnum}[PS]?）并避免捕获作为较大短语一部分的两个词匹配。

I_PRP will_MD never_RB go_VB to_IN sun_NN devil_NN auto_NN again_RB but_CC my_PRP$ family_NN members_NNS will_MD ._.

我特别想捕获family_NN members_NN，而不是sun_NN devil_NN 和devil_NN auto_NN。

目前，我使用以下正则表达式和积极的前瞻：

"(?=\\b([\\p{Alnum}]+)_(NN[SP]?)\\s([\\p{Alnum}]+)_(NN[SP]?)\\b)."

除了family_NN members_NNS 之外，问题还在于它捕获了sun_NN devil_NN、devil_NN auto_NN。

Answer 1

你需要一个前瞻和一个前瞻。

基本上，对于某些模式P，当且仅当它之前或之后没有P 时，匹配PP。

粗略的方式，使用前瞻和后向运算符：

(?<!P)PP(?!P)

(?<!...) 和 (?!...) 分别是正则表达式中的负后向和负前瞻锚，其中... 代表正则表达式。

如果我们将P 设为：

[\p{AlNum}]+_NN[PS]?

并考虑空格，然后一个解决方案的草图，允许每个标记之间有空格，如下所示：

private static final String P = "[\\p{AlNum}]+_NN[PS]?";
private static final String RE = "(?<!" + P + ")"
    + "\\s+(" + P + "\\s+" + P + ")\\s+(?!" + P + ")";
private static final Pattern PATTERN = Pattern.compile(RE);

这只是一个草图。

鉴于输入的复杂性，您可能想要做更多，因此不确定正则表达式最终是否是您真正要寻找的工具。