【问题标题】：Regex: How to find and extract acronyms and corresponding definition of acronym from a text?正则表达式：如何从文本中查找和提取首字母缩写词和首字母缩写词的相应定义？
【发布时间】：2013-08-19 12:06:35
【问题描述】：

我想做类似这个问题中建议的事情——但在更一般的层面上： Regular Expression for Acronyms

输入示例：

“在一组开创性的论文中，Feddersen 和 Pesendorfer (1996, 1999)，以下简称 FP，并入...已被标记为“swing选民的诅咒，“从现在开始 SVC。预测......开始使用静态应用程序安全测试（SAST）的最佳方式strong>) tool.. 源自拉丁语 ante meridiem (A.M.) 意思是中午之前..."

结果：

['Feddersen and Pesendorfer', 'FP']
['摇摆选民的诅咒'，'SVC']
['静态应用程序安全测试'，'SAST']
['下午'，'上午']

当然，首字母缩略词有许多可能的“信号”。我在下面列出了一些。：

括号： ... (...)
...以后...
...从现在开始...
...之后...
...称为...
...随后...
...因此...
...今后...
...以下...
等

也许有两个正则表达式会更好；一个用于括号，一个用于所有其他，因为它们的结构有很大不同。

只关注首字母缩写词，即。忽略由 SOund Navigation And Ranging 创建的 sonar 等案例。

是否可以使用正则表达式进行这样的思考，如果可以，您会怎么做？

【问题讨论】：

您可以获得这样的结果，但您需要确认它们确实是首字母缩略词。无论如何，有多少个单词，我的意思是哪个可以出现在首字母缩写词之前？

标签： regex text-analysis acronym

【解决方案1】：

是的

这是可能的。我将首先定义描述一系列单词后跟首字母缩略词定义 (SOWFBAAD) 的所有单独规则，然后在定义语句中将这些规则拼接在一起。

例如，如果您正在寻找一个电子邮件地址，您可以使用这个 Perl 兼容正则表达式 (PCRE)，它首先定义 RFC 5322 中的所有规则，然后查找看起来像电子邮件地址的内容：

(?x)
    (?(DEFINE)

        (?<addr_spec> (?&local_part) @ gbase\.tt )
        (?<local_part> (?&dot_atom) | (?&quoted_string) | (?&obs_local_part) )
        (?<domain> (?&dot_atom) | (?&domain_literal) | (?&obs_domain) )
        (?<domain_literal> (?&CFWS)? \[ (?: (?&FWS)? (?&dtext) )* (?&FWS)? \] (?&CFWS)? )
        (?<dtext> [\x21-\x5a] | [\x5e-\x7e] | (?&obs_dtext) )
        (?<quoted_pair> \\ (?: (?&VCHAR) | (?&WSP) ) | (?&obs_qp) )
        (?<dot_atom> (?&CFWS)? (?&dot_atom_text) (?&CFWS)? )
        (?<dot_atom_text> (?&atext) (?: \. (?&atext) )* )
        (?<atext> [a-zA-Z0-9!#$%&''*+/=?^_`{|}~-]+ )
        (?<atom> (?&CFWS)? (?&atext) (?&CFWS)? )
        (?<word> (?&atom) | (?&quoted_string) )
        (?<quoted_string> (?&CFWS)? "" (?: (?&FWS)? (?&qcontent) )* (?&FWS)? "" (?&CFWS)? )
        (?<qcontent> (?&qtext) | (?&quoted_pair) )
        (?<qtext> \x21 | [\x23-\x5b] | [\x5d-\x7e] | (?&obs_qtext) )

        # comments and whitespace
        (?<FWS> (?: (?&WSP)* \r\n )? (?&WSP)+ | (?&obs_FWS) )
        (?<CFWS> (?: (?&FWS)? (?&comment) )+ (?&FWS)? | (?&FWS) )
    #   (?<ccontent> (?&ctext) | (?&quoted_pair) )
        (?<ccontent> (?&ctext) | (?&quoted_pair) | (?&comment) )
        (?<ctext> [\x21-\x27] | [\x2a-\x5b] | [\x5d-\x7e] | (?&obs_ctext) )

        # obsolete tokens
        (?<obs_domain> (?&atom) (?: \. (?&atom) )* )
        (?<obs_local_part> (?&word) (?: \. (?&word) )* )
        (?<obs_dtext> (?&obs_NO_WS_CTL) | (?&quoted_pair) )
        (?<obs_qp> \\ (?: \x00 | (?&obs_NO_WS_CTL) | \n | \r ) )
        (?<obs_FWS> (?&WSP)+ (?: \r\n (?&WSP)+ )* )
        (?<obs_ctext> (?&obs_NO_WS_CTL) )
        (?<obs_qtext> (?&obs_NO_WS_CTL) )
        (?<obs_NO_WS_CTL> [\x01-\x08] | \x0b | \x0c | [\x0e-\x1f] | \x7f )

        # character class definitions
        (?<VCHAR> [\x21-\x7E] )
        (?<WSP> [ \t] )
    )
    ((?&addr_spec))

当然，这个表达式确实使用了递归，它不能很好地与许多正则表达式配合使用。要解决这个问题，您可以简单地注释掉 ccontent 并取消注释其他 ccontent，前提是您接受该表达式将不再找到递归 cmets。

然而

仅将其构造为正则表达式可能会给您留下一个难以阅读、调试或稍后修改的表达式。因此，您可能会更好地遍历 SOWFBAAD 定义列表。

【讨论】：