Spacy Matcher中\d{1,4}正则表达式匹配异常问题求助

你在使用SpaCy Matcher时遇到问题：定义了两个正则匹配模式，pnum1 使用 \d{1,4} 试图匹配1-4位数字的token，但完全没有匹配结果；而 pnum2 使用 \d+ 可以正常匹配所有数字token。测试代码如下：

pnum1 = [{'TEXT':{'REGEX':fr"\d{1,4}"}}]
pnum2 = [{'TEXT':{'REGEX':fr"\d+"}}]

import spacy
from spacy.matcher import Matcher
nlp = spacy.load("en_core_web_sm")

appli=''' it  has three 56 cows 1087 10b, reg too long number: 12344'''
matcher = Matcher(nlp.vocab)
doc = nlp(appli)

matcher.add("num1",[pnum1])
#matcher.add("num2",[pnum2])
matches = matcher(doc)

reg  =[{'TEXT': {'REGEX':fr"reg"}}]
#matcher.add("reg", [reg])

print(len(matches))
for match_id, start, end in matches:
    matched_span = doc[start:end] 
    print('matched',matched_span.text)

预期匹配56、1087这类1-4位的数字token，但pnum1无任何匹配结果。

问题原因 #

问题出在f-string的解析逻辑上：你使用了fr"\d{1,4}"，但f-string会把{1,4}解析为Python元组，最终生成的正则表达式是\d(1, 4)，而不是你预期的\d{1,4}。这个错误的正则自然无法匹配任何数字token。

解决方案 #

有两种修正方式：

• 不使用f-string，直接用raw字符串：

  pnum1 = [{'TEXT':{'REGEX':r"\d{1,4}"}}]
  

• 在f-string中转义大括号：在f-string中，要输出单个{或}，需要写两个连续的{{或}}：

  pnum1 = [{'TEXT':{'REGEX':fr"\d{{1,4}}"}}]
  

修正后，pnum1就能正确匹配所有1-4位纯数字的token（比如示例中的56、1087），而10b（包含非数字字符）、12344（超过4位）会被排除，符合预期。

内容的提问来源于stack exchange，提问作者JFerro