如何使用stanford corenlp以tregex模式查找命名节点的索引？答案

【问题标题】：how to find the index of named node in a tregex pattern using stanford corenlp?如何使用stanford corenlp以tregex模式查找命名节点的索引？
【发布时间】：2015-07-31 10:13:35
【问题描述】：

如何在给定的tregex模式中找到与命名节点匹配的字符串的索引？
这是我的意思的一个例子：

text="You can eat fruits such as apples and oranges."
tree="(ROOT (S (NP (PRP You)) (VP (MD can) (VP (VB eat) (NP (NP (NNS fruits)) (PP (JJ such) (IN as) (NP (NNS apples) (CC and) (NNS oranges)))))) (. .)))"
tregex="(JJ < such) $ (IN < as) $ (NP=examples)"
examples="(NP (NNS apples) (CC and) (NNS oranges))"

我想在原始字符串text 中找到命名节点examples 的位置。假设我有一个text 的 HTML，我可能会 <span> 命名节点如下：

<div id="text">You can bring fruits such as <span class="eg">apples and oranges</span>.

Update1：leftCharEdge() 和 rightCharEdge() 方法不起作用。似乎它们因空格数或“标记分隔符”而不同。我查看了source code，似乎CharEdge 是通过添加叶子的长度来计算的。

根据我的观察：

Tree eg = matcher.getNode("examples");
int start = tree.leftCharEdge(eg);
int end = tree.rightCharEdge(eg);
System.out.println("start, end:" + start + "," + end);
//start, end: 21,37

空格不应该也考虑进去吗？将start 和end 与（大约）之前的空格数抵消似乎可以解决问题：

System.out.println("text[start,end]:" + text.substring(start+6, end+8));
//text[start,end]:apples and oranges

apples and oranges 之前的字数 = 6 = 起始偏移量
apples and oranges 中的字数 = 3 + 开始偏移量 - 1 = 结束偏移量。

【问题讨论】：

标签： regex stanford-nlp

【解决方案1】：

如果您处理的是实际文本（与变量 tree 只是一个单独的 String 的示例不同），那么字符偏移量将嵌入到 Tree 的 CoreLabel 标记中。请参阅下面的示例代码。（我添加了一条评论，说明 left/rightCharEdge 方法对此没有用。）

  public static void main(String[] args) {
    LexicalizedParser parser = LexicalizedParser.getParserFromFile("edu/stanford/nlp/models/lexparser/englishPCFG.ser.gz", new Options());

    String[] texts = {"You can eat fruits such as apples and oranges.",
            "  You can  eat fruits   such as apples and   oranges .",
    };

    for (String text : texts) {
      Tree tree = parser.parse(text);

      List<CoreLabel> yield = tree.yield(new ArrayList<CoreLabel>());

      for (CoreLabel cl : yield) {
        System.out.printf("Word |%s| over char offsets [%d,%d)%n", cl.word(),
                cl.get(CoreAnnotations.CharacterOffsetBeginAnnotation.class),
                cl.get(CoreAnnotations.CharacterOffsetEndAnnotation.class));
      }
      System.out.println();
    }
  }

【讨论】：