Как извлечь IP-адрес с помощью регулярного выражения с помощью Spacy Phrase Matcher - PullRequest
Новая
       89

Как извлечь IP-адрес с помощью регулярного выражения с помощью Spacy Phrase Matcher

1 голос
/ 25 мая 2020 
text="Link down , Bypass (92.33.2222.88)  is not pinging"

doc=nlp(text)


pattern= [ {"TEXT": {"REGEX": "[\(][0-9]+[\.][0-9]+[\.][0-9]*[\.][0-9]*[\)]"}}]
matcher=Matcher(nlp.vocab)
matcher.add("ip",None, pattern)
matches=matcher(doc)
matches
[]    
# no match found!!

В противном случае регулярное выражение работает нормально: 

re.findall("[\(][0-9]+[\.][0-9]+[\.][0-9]*[\.][0-9]*[\)]" ,text)

Вывод: ['(92.33.2222.88)']

1 Ответ

1 голос
/ 25 мая 2020

Прежде всего, (92.33.2222.88) не является действительным IP.

Если вас не волнует достоверность IP, следующая проблема заключается в том, что ( и ) не являются частью IP-токена, команда print([(t.text, t.pos_) for t in doc]) показывает ('92.33.222.88', 'NUM'), поэтому ваш шаблон недействителен. здесь, потому что вы включили ( и ) в шаблон.

Если вы планируете сопоставить любые фрагменты digit.digits.digits.digits, вы можете использовать 

pattern= [ {"TEXT": {"REGEX": r"^\d+(?:\.\d+){3}$"}}]
matcher.add("ip", None, pattern)

Если вы хотите только сопоставить допустимые строки IPv4 используйте 

octet_rx = r'(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)'
pattern= [ {"TEXT": {"REGEX": r"^{0}(?:\.{0}){{3}}$".format(octet_rx)}}]
matcher.add("ip", None, pattern)

Полный тестовый фрагмент: 

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("en_core_web_sm")

matcher = Matcher(nlp.vocab)
octet_rx = r'(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)'
pattern= [ {"TEXT": {"REGEX": r"^{0}(?:\.{0}){{3}}$".format(octet_rx)}}]
matcher.add("ip", None, pattern)

doc = nlp("Link down , Bypass (92.33.222.88)  is not pinging")
matches = matcher(doc)
for match_id, start, end in matches:
    string_id = nlp.vocab.strings[match_id]
    span = doc[start:end]
    print(match_id, string_id, start, end, span.text)
# => 1699727618213446713 ip 5 6 92.33.222.88
...