使用正则表达式删除树中的叶子（Python）答案

【问题标题】：Delete leaves in a tree with regex (Python)使用正则表达式删除树中的叶子（Python）
【发布时间】：2015-03-28 10:53:46
【问题描述】：

我有一个语法树，以“LISP 样式”保存在一个文本文件中，带有显示关系的左括号和右括号。我想删除所有叶子。例如，我有“（Det the）”，我想成为“Det”。我不是正则表达式的专家，所以我想知道如何在更复杂的结构中使用嵌套括号处理这种行为。树的示例（在我的文件中是一行，缩进只是为了更简单的可视化）：

(S
  (NP I)
  (VP
    (VP (V shot) (NP (Det an) (N elephant)))
    (PP (P in) (NP (Det my) (N pajamas)))))

我会有类似的东西：

(S NP
  (VP
    (VP V (NP Det N))
    (PP P (NP Det N))))

【问题讨论】：

标签： python regex tree nlp

【解决方案1】：

应该这样做：

import re

tree1 = """(S
  (NP I)
  (VP
    (VP (V shot) (NP (Det an) (N elephant)))
    (PP (P in) (NP (Det my) (N pajamas)))))"""

tree2 = re.sub("\(\s*(\w+)\s*(\w+)\s*\)", r"\1", tree1)

print(tree2)

输出：

(S
  NP
  (VP
    (VP V (NP Det N))
    (PP P (NP Det N))))

在正则表达式中使用\s* 而不是仅仅使用（空格）可能会更好——它允许您在表示叶。

link to online Python repl

link to regex101.com

【讨论】：

除了允许换行符之外，\s* 还允许字符串中任意多个空白字符（简单的空格、制表符、换行符等），这也可能派上用场。 :) 有关详细信息，请参阅 Python re 文档中 Regular Expression Syntax 下的 \s 条目。
好的，现在解释\s和*的含义。

【解决方案2】：

这样的？

re.sub("\((\w*) (\w*)\)", r"\1", t)

其中 t 是保存语法树的变量。

有关 unicode 支持，请参阅下面的 cmets。

【讨论】：

这正是我所需要的！如果可能的话，我会向您寻求更多帮助：我需要支持 unicode 字符，我做了一些测试，例如 \w 自然不会检测到“è”（那只是 [a-z]）。我该怎么办？
@AndreaRomagnoli：请参阅 Python re 文档中的 re.UNICODE。
如果有人需要开箱即用的 UNICODE 版本，解决方案如下： tree = re.sub( r"((\w*) (\w*)) ", r"\1", unicode( tree, 'utf-8' ), flags=re.UNICODE )