3
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:

introducir la descripción de la imagen aquí

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."
21
  • 1
    Me da curiosidad saber en que proyecto trabajas, cual es el objetivo último que buscas.
    – Candid Moe
    el 29 ene. a las 12:12
  • @CandidMoe Un sistema de analisis de texto que identifique en los inputs de texto centrandose en la persona(el sujeto junto a los adjetivos que le describan), la propia accion(los verbos los identifico con spacy), el tiempo de la accion(solo si es especificado), y el lugar(solo si es especificado). De este modo, puede extraer informacion(yo creo que con esos 4 aspectos fundamentales ya es bastante) sin requerir de redes neuronales que consumen demasiados recursos. Comparandole con un modelo de Naive Bayes, puedo extraer info con meno de 500 mb de Ram el 29 ene. a las 12:20
  • @CandidMoe La verdad, es que la regex de la pregunta para mi esta bien, aunque no entiendo porque las regex no capturan las subcadenas correctas. Si se te ocurre algo me re ayudarias el 29 ene. a las 12:33
  • Y dentro de esa aplicación, ¿qué rol juega el código que muestras? Supongo que parsea el texto de entrada y trata de clasificar los lexemas. ¿Correcto?
    – Candid Moe
    el 29 ene. a las 13:20
  • Una manera de no requerir de buscar lexemas es usando un algoritmo de comparación de cadenas, es decir, si coincide mas del 70% asumiré que se trata de una misma palabra (pero eso lo usaría para ver si la info que extrajo previamente se parece a una nueva información). el 29 ene. a las 13:32

0

Tu Respuesta

Al pulsar en “Publica tu respuesta”, muestras tu consentimiento a nuestros términos de servicio, política de privacidad y política de cookies

Examina otras preguntas con la etiqueta o formula tu propia pregunta.