RegEx con spaCy

Natural Language Processing con spaCy

Azadeh Mobasher

Principal Data Scientist

Che cos'è RegEx?

L'estrazione di informazioni basata su regole (IR) è utile per molti compiti di NLP
Le espressioni regolari (RegEx) servono per pattern complessi di confronto stringhe
RegEx trova e recupera pattern o sostituisce quelli corrispondenti

RegEx: estrazione di link e numeri di telefono

Punti di forza e limiti di RegEx

Pro:

Permette di scrivere regole robuste per recuperare informazioni
Consente di trovare molte varianti nelle stringhe
È veloce
Supportata dai linguaggi di programmazione

Contro:

La sintassi è impegnativa per chi inizia
Richiede conoscere tutti i modi in cui un pattern può comparire nei testi

RegEx in Python

Python include una libreria RegEx, re.
Il primo passo per usare il pacchetto re è definire un pattern.
Il pattern risultante serve per trovare i contenuti corrispondenti.

import re

pattern = r"((\d){3}-(\d){3}-(\d){4})"
text = "Our phone number is 832-123-5555 and their phone number is 425-123-4567."

RegEx in Python

Usiamo il metodo .finditer() del pacchetto re

iter_matches = re.finditer(pattern, text)

for match in iter_matches:
    start_char = match.start()
    end_char = match.end()

    print ("Start character: ", start_char, "| End character: ", end_char, 
           "| Matching text: ", text[start_char:end_char])

>>> Start character:  20 | End character:  32 | Matching text:  832-123-5555
Start character:  59 | End character:  71 | Matching text:  425-123-4567

RegEx in spaCy

RegEx in tre componenti della pipeline: Matcher, PhraseMatcher e EntityRuler.

text = "Our phone number is 832-123-5555 and their phone number is 425-123-4567."

nlp = spacy.blank("en")
patterns = [{"label": "PHONE_NUMBER", "pattern": [{"SHAPE": "ddd"},
            {"ORTH": "-"}, {"SHAPE": "ddd"},
            {"ORTH": "-"}, {"SHAPE": "dddd"}]}]

ruler = nlp.add_pipe("entity_ruler")
ruler.add_patterns(patterns)
doc = nlp(text)
print ([(ent.text, ent.label_) for ent in doc.ents])

>>> [('832-123-5555', 'PHONE_NUMBER'), ('425-123-4567', 'PHONE_NUMBER')]

Esercitiamoci!

Natural Language Processing con spaCy