import re
input_text = "En esta alejada ciudad por la tarde circulan muchos camiones con aquellos acoplados rojos, grandes y bastante pesados, llevándolos por esos trayectos bastante empedrados, polvorientos, y un tanto arenosos. Y incluso bastante desde lejos ya se les puede ver." #example string
list_verbs_in_this_input = ["serías", "serían", "sería", "ser", "es", "llevándoles", "llevándole", "llevándolos", "llevándolo", "circularías", "circularía", "circulando", "circulan", "circula", "consiste", "consistían", "consistía", "consistió", "visualizar", "ver", "empolvarle", "empolvar", "verías", "vería", "vieron", "vió", "vio", "ver", "podrías" , "podría", "puede"]
exclude = rf"(?!\b(?:{'|'.join(list_verbs_in_this_input)})\b)"
direct_subject_modifiers, noun_pattern = exclude + r"\w+" , exclude + r"\w+"
modifier_connectors = r"(?:(?:(?:a[úu]n|todav[íi]a|incluso)\s+|)(?:bastante|(?:de\s*gran|bastante|un\s*tanto|un\s*poco|)\s*(?:m[áa]s|menos))\s+|)"
#enumeration_of_noun_modifiers = direct_subject_modifiers + "(?:" + modifier_connectors + direct_subject_modifiers + "){2,}"
#enumeration_of_noun_modifiers = direct_subject_modifiers + "(?:" + modifier_connectors + direct_subject_modifiers + ")*"
enumeration_of_noun_modifiers = r"(?:" + "(?:(?:,\s*|)y|(?:,\s*|)y|,)\s*" + direct_subject_modifiers + modifier_connectors + r")*"
#sentence_capture_pattern = r"(?:aquellas|aquellos|aquella|aquel|los|las|el|la|esos|esas|este|ese|otros|otras|otro|otra)\s+" + noun_pattern + r"\s+" + enumeration_of_noun_modifiers
sentence_capture_pattern = r"(?:aquellas|aquellos|aquella|aquel|los|las|el|la|esos|esas|este|ese|otros|otras|otro|otra)\s+" + noun_pattern + modifier_connectors + direct_subject_modifiers + r"\s+(?:" + enumeration_of_noun_modifiers + r"|)"
input_text = re.sub(sentence_capture_pattern, r"((NOUN)'\g<0>')", input_text, flags=re.I|re.U)
print(repr(input_text)) # --> output
Este patrón logra hacer algunas capturas solo cuando en el patrón en sentence_capture_pattern
cambia r"\s+"
a r"\s*"
. Creo que es un problema donde las substrings que los grupos de captura deberían capturar se "superponen", aunque no estoy seguro de cómo evitarlo.
El mecanismo que deben seguir los grupos de captura para asignar la información identificada debe ser el siguiente:
Tenga en cuenta que lo que siempre debe capturar el patrón almacenado en la variable modifier_connectors
es totalmente opcional, ya que puede aparecer o no.
En este caso este tipo de coincidencias se dan 2 veces, aunque podrían darse más, por lo que realiza 2 reorganizaciones de la información. Entonces obtienes esta string output correcto:
"En esta alejada ciudad por la tarde circulan muchos camiones con ((NOUN)'aquellos acoplados rojos, grandes y bastante pesados'), llevándolos por ((NOUN)'esos trayectos bastante empedrados, polvorientos, y un tanto arenosos'). Y incluso bastante desde lejos ya se les puede ver."
Quizás usar NLTK sea una opción pero no estoy seguro como podría capturar estos grupos de captura usándole, y a la vez obtener los mismos resultados.
EDIT 3, tras una modificación en el código esta da algunos nuevos resultados, pero aun no el correcto pero si mas cercano a este
import re
input_text = "En esta alejada ciudad por la tarde circulan muchos camiones con aquellos acoplados rojos, grandes y bastante pesados, llevándolos por esos trayectos bastante empedrados, polvorientos, y un tanto arenosos. Y incluso bastante desde lejos ya se les puede ver." #example string
list_verbs_in_this_input = ["serías", "serían", "sería", "ser", "es", "llevándoles", "llevándole", "llevándolos", "llevándolo", "circularías", "circularía", "circulando", "circulan", "circula", "consiste", "consistían", "consistía", "consistió", "visualizar", "ver", "empolvarle", "empolvar", "verías", "vería", "vieron", "vió", "vio", "ver", "podrías" , "podría", "puede"]
exclude = rf"(?!\b(?:{'|'.join(list_verbs_in_this_input)})\b)"
direct_subject_modifiers, noun_pattern = exclude + r"\w+" , exclude + r"\w+"
modifier_connectors = r"(?:(?:a[úu]n|todav[íi]a|incluso)\s+|)\s*(?:de|)\s*(?:gran\s+|bastante\s*(?:m[áa]s|menos|)\s+|(?:un\s*(?:tanto|poco)|)\s*(?:m[áa]s|menos)\s+|)" #its occurrence is optional
enumeration_of_noun_modifiers = r"(?:" + "(?:(?:,\s*|)y|,)\s*" + modifier_connectors + direct_subject_modifiers + r"\s*" + r")*"
sentence_capture_pattern = r"(?:aquellas|aquellos|aquella|aquel|los|las|el|la|esos|esas|este|ese|otros|otras|otro|otra)\s+" + noun_pattern + r"\s+" + modifier_connectors + direct_subject_modifiers + r"(?:(?:,\s*|)y|(?:,\s*|)y|,)\s*(?:\s*" + enumeration_of_noun_modifiers + r"|)"
input_text = re.sub(sentence_capture_pattern, r"((NOUN)'\g<0>')", input_text, flags=re.I|re.U)
print(repr(input_text)) # --> output
Este es el resultado erroneo que esta dando ahora
"En esta alejada ciudad por la tarde circulan muchos camiones con ((NOUN)'aquellos acoplados rojos, ')grandes y bastante pesados, llevándolos por ((NOUN)'esos trayectos bastante empedrados, ')polvorientos, y un tanto arenosos. Y incluso bastante desde lejos ya se les puede ver."