如何从标注文本数组中提取指定标签？尝试正则未成功

核心思路 #

针对你遇到的多种标注格式（带->、Label:、Answer:、Classification:等），不用纠结匹配特定前缀，直接锁定目标标签集合进行精准匹配——因为你的目标标签是固定的7个，这比匹配所有可能的前缀更可靠。

具体实现代码 #

import re

# 固定目标标签集合（避免拼写错误）
TARGET_TAGS = {'race_ethnicity', 'ageism', 'gender', 'religion', 'occupation', 'lgbtq', 'no_bias'}

def extract_tag(annotation):
    # 转小写避免大小写不匹配（比如标注里写的是Gender）
    anno_lower = annotation.lower()
    # 遍历目标标签，用单词边界匹配避免部分命中（比如gender不会匹配gendered）
    for tag in TARGET_TAGS:
        if re.search(rf'\b{tag}\b', anno_lower):
            return tag
    # 若未匹配到目标标签，可返回None或自定义占位符
    return None

# 处理你的108条标注数组
original_annotations = [
    "Label: race_ethnicity",
    "Answer -> gender",
    "Classification: no_bias",
    # ... 剩余105条内容
]

# 生成最终标签数组
result_tags = [extract_tag(anno) for anno in original_annotations]

为什么之前的方法可能失败？ #

• 字符串分割：只处理了单一分隔符（比如只按:分割，没考虑->），且未处理前后空格、大小写差异
• 正则匹配：写的规则太局限（比如只匹配Label: 开头的内容），没覆盖所有标注格式

调试技巧 #

如果有部分条目提取失败，先打印这些条目的原始内容，检查：

1. 是否存在拼写错误（比如标注里写的是race_ethinicity而非race_ethnicity）
2. 是否有特殊格式（比如标签被包裹在引号里，可调整正则为rf'["\']{tag}["\']'）
3. 是否存在多标签情况（可在函数里添加逻辑返回第一个匹配的标签）

内容的提问来源于stack exchange，提问作者XYZ