文本匹配工具

RuleFinder 文本匹配工具是一个用于快速编写匹配规则，提取文本的工具。
源码地址： https://github.com/xmxoxo/RuleFinder

当前版本号：0.1.12

update: 2020/6/12

本工具包括：类库，规则编辑器，批量提取器。

RuleLib.py 类库，可自行引用到项目中使用；  RuleEditor.py 规则编辑器，基于flask的WEB应用，可在浏览器中编辑规则；  RulePicker.py 规则提取器，可加载规则后从批量文件中提取匹配结果； 

工具有什么用？

在做NLP的前期文本处理工作时，需要对文本进行人工的分析，使用一些关键词或者句式等来匹配查找文本；甚至在一些简单的模型与处理中，也需要使用文本匹配的方式来对文本进行匹配处理，当然我们可以写很多正则表达式，但正则表达式太过复杂，普通情况下不会用到，而且正则表达式多了也不方便管理，于是产生了这个小工具。

文本匹配工具，使用简便的匹配规则来对文本进行匹配。工具提供了基于WEB的规则编辑器，可快速编辑规则，验证规则的匹配结果。

案例：按规则提取句子分类

运行以下命令即可启动案例：

pip install -r requirements.txt python RuleEditor.py  -rule_file ./rules/rule3.txt -test_file ./test/test3.txt 

然后在浏览器中访问：https://127.0.0.1:8910

匹配规则

匹配规则包含以下元素：

• 中括号(“[]”) : 代表其中的内容是可选
• 尖括号(“<>”) : 代表其中的内容是必选
• 竖线(“|”) : 代表或的关系;
• 任意字符(“**”): 匹配任意的字符；
• 文字字符(“??”)：匹配汉字字符，区间为：[u4E00-u9FA5]
• 非空字符(“++”)：匹配一个以上非空字符，非空字符正则为:"(?:[^　 ，；;。‘’"“”]+?)"

匹配规则与正则相似，规则如下：

• 中括号[]： 代表其中的内容是可选的，比如：

  “不[得]”，能匹配 “不”和”不得”；

• 尖括号<>： 代表其中的内容是必选的，比如：

  “<经>营”， 能匹配 “经营”

• 竖线(“|”)：代表或的关系，即竖线分隔的内容是可替换的，比如:

  “<注册|成立>时间” 能匹配 “注册时间” 和 “成立时间”

• 括号(): 是可以嵌套的；例如:

  “不[得<少|小>于]” 能匹配: “不”，”不得少于”，“不得小于”

  “[稳定|正常]运营” 能匹配: “稳定运营”，“正常运营”，“运营”

• 竖线在其所属的括号内，优先级大于括号中的其他括号，比如

  “<注册[登记]|成立>时间” 能匹配: “注册时间”，“注册登记时间”，“成立时间”

• 竖线可以脱离括号独立存在，比如:

  “在哪里|哪里有” 可以匹配: “在哪里”和”哪里有”

更新日志

v 0.1.12

• 增加了加载数据文件的功能；
• 各个客户端之间的规则文件及数据分析相互独立，不会干扰。可打开不同浏览器看效果；

v 0.1.10

• 可加载规则文件；
• 可对规则进行增，删，改；

使用案例

0. 安装依赖包

pip install -r requirements.txt 

1. ** 启动规则编辑器 **
   运行以下命令，使用默认参数启动启动规则编辑器：

python RuleEditor.py   

详细参数可见：

python RuleEditor.py  -h 

默认启动时监听0.0.0.0:8910 端口

默认加载规则文件为:./rules/rule.txt

默认加载数据文件为： ./test/test.txt

2. 访问规则编辑器

使用浏览器打开以下地址访问规则编辑器：https://127.0.0.1:8910

浏览器界面如下：

在浏览器界面中可以完成：

• 规则文件加载；
• 规则文件新建；
• 规则添加、删除、编辑；
• 对数据文件测试当前规则文件所有规则；

3. 使用规则提取器

完成规则编辑后，可以使用规则提取器，对整个目录下的文件批量提取结果。

运行以下命令可运行demo:

python RulePicker.py -rule ./rules/rule.txt  

运行示例如下：

13:36:55.38|F:>python RulePicker.py -rule ./rules/rule.txt 正在批量处理，请稍候... 正在匹配文件：./test/test.txt 正在匹配文件：./test/test1.txt 正在匹配文件：./test/test2.txt 保存结果:./output/result_20200611134436.csv 匹配用时: 0.03秒 匹配结果共3个文件: =====文件:test 匹配:5条===== =====文件:test1 匹配:1条===== =====文件:test2 匹配:2条===== 

详细参数运行以下命令查看：

python RulePicker.py -h 

参数如下:

12:01:36.57|F:>RulePicker.py -h usage: RulePicker.py [-h] -rule RULE [-data DATA] [-output OUTPUT]  RulePicker v_0.1.10 by xmxoxo  optional arguments:   -h, --help      show this help message and exit   -rule RULE      rule file   -data DATA      data file path, default: ./test/   -output OUTPUT  output path, default: ./output/