スタンフォードコアnlpのタグ付き文字列をハッシュにパースするRuby

Question

私はスタンフォードCoreNLPを使って（フランス語または英語の）文章の基本的な依存関係を解析します。それは私にこのような文字列の結果を与える：

「（ROOT（SENT（NP（DET CE）（NCマガシン））（VN（V estは））（AP（ADJポプリ））（COORD（CCのMAIS） （シント（NP（DETレ）（ADJ vendeuses））（VN（Vのsont））（AP（ADJgéniales））））（PUNC！）））」

今、私はこれを解析する結果必要がありますルビーのハッシュや構造体、jsonなどで簡単に操作できます。例えば

はハッシュで：

{'ROOT'=>{'SENT'=>{'NP'=>{'DET'=>'Ce'},'NC'=>'Magasin'}etc...}} 

私はそれが、無成功を行うには、いくつかの方法を試してみました。 これを達成するためのアドバイスや例を教えてください。構造がよく形成されているので、我々はそれに依存しており、私たち自身の小さなパーサを構築することができ

おかげ

Answer 1

はここで本当に簡単パーサの実装です。 tokenizeは文字列を部分に分割し、parseはトークンを式にグループ化し、それらをhasherizeにフィードし、それらをツリーに変換します。

def tokenize(str) 
    str.split(/\s+|([()])/).reject(&:empty?) 
end 

def hasherize(tokens) 
    tokens, hsh = tokens.dup, {} 

    while expr = tokens.shift 
    _, key, val = expr 

    if val 
     hsh[key] = val 
    elsif key 
     tokens, hsh[key] = hasherize(tokens) 
    else break 
    end 
    end 

    [ tokens, hsh ] 
end 


def parse(str) 
    tokens = tokenize(str) 
    .slice_when {|left,right| left == ")" || right == "(" } 
    hasherize(tokens.to_a)[1] 
end 

str = "(ROOT (SENT (NP (DET Ce) (NC magasin)) (VN (V est)) (AP (ADJ pourri)) (COORD (CC mais) (Sint (NP (DET les) (ADJ vendeuses)) (VN (V sont)) (AP (ADJ géniales)))) (PUNC !)))" 
p parse(str) 
# => { "ROOT" => { 
#  "SENT" => { 
#   "NP" => { "DET" => "Ce", "NC" => "magasin" }, 
#   "VN" => { "V" => "est" }, 
#   "AP" => { "ADJ" => "pourri" }, 
#   "COORD" => { 
#   "CC" => "mais", 
#   "Sint" => { 
#    "NP" => { "DET" => "les", "ADJ" => "vendeuses" }, 
#    "VN" => { "V" => "sont" }, 
#    "AP" => { "ADJ" => "géniales" } 
#   } 
#   }, 
#   "PUNC" => "!" 
#  } 
#  } 
# } 

Answer 2

。最初に) (をカンマに変更し、カッコをカスケードに変更してハッシュを作成し、最後のステップではトークンとみなして残りのすべてを引用します。

eval str.gsub(/\)\s\(/, ',') 
     .gsub(/[()\s]/, '(' => '{', ')'=>'}', ' ' => '=>') 
     .gsub(/[^{}=> ",]+/) { |m| %Q|"#{m}"| } 

#⇒ {"ROOT"=> 
# {"SENT"=> 
#  {"NP"=>{"DET"=>"Ce", "NC"=>"magasin"}, 
#  "VN"=>{"V"=>"est"}, 
#  "AP"=>{"ADJ"=>"pourri"}, 
#  "COORD"=>{"CC"=>"mais", 
#     "Sint"=>{"NP"=>{"DET"=>"les", "ADJ"=>"vendeuses"}, 
#       "VN"=>{"V"=>"sont"}, 
#       "AP"=>{"ADJ"=>"géniales"}}}, 
# "PUNC"=>"!"}}} 

私はevalためdownvoting、コメントで観客を期待していますが、入力を生産しているが、それは絶対に大丈夫です。

より安全なオプションは、しかし、JSON.parseに次のようになります。

JSON.parse str.gsub(/\)\s\(/, ',') 
       .gsub(/[()\s]/, '(' => '{', ')'=>'}', ' ' => ':') 
       .gsub(/[^{}:=> ",]+/) { |m| %Q|"#{m}"| }