文本文件规范化和模式匹配

Question

我得到了一个用一种元语言编写的文件，它描述了验证某些数据所需的过程。 我需要生成验证函数来验证数据。 数据已经存储在结构中

我做的步骤：

1. 使用 char like(' . , ; == >= ) 将文本拆分为字符串 []
2. 删除冠词、介词...
3. 规范化文本（如何？）
4. 使用正则表达式或文本匹配将单词与标记匹配
5. 使用 Token 类型匹配模式
6. 根据匹配的模式规则生成函数

您会在第 3 步或一般情况下使用什么来改进此过程？

Answer 1

引用自wiki，正则表达式是实现“文本规范化”的技术之一：

用于简单的、与上下文无关的规范化，例如移除 非字母数字字符或变音符号、正则表达式 就足够了。例如，sed 脚本 sed -e "s/\s+/ /g" inputfile 会将空白字符的运行规范化为单个 空间。更复杂的归一化需要相应复杂的 算法，包括语言和词汇的领域知识 被规范化。在其他方法中，文本规范化已经 建模为对文本流进行标记和标记的问题 [5] 和 作为机器翻译的一个特例。[6][7]

在我看来，数据涉及语言注释。您可以查看The IMS Open Corpus Workbench (CWB) 等工具。此外，还有一个您可能会觉得有用的网站（带有示例代码）：What Is Text Normalization?。