我们如何在uima ruta中注释一个unicode字符

我们如何在uima ruta中注释一个unicode字符：例如：我想标记这个文本（巴黎：Ã‰¬‰Robert Laffont）。所以我使用了下面的规则。我们如何在uima ruta中注释一个unicode字符

DECLARE CITY; 
CW COLON CW+{->MARK(CITY,1,3)};

但是文字覆盖巴黎：Ã。有什么办法可以解决这个问题吗？等待答案。提前感谢。

我已经遇到了类似的问题EN DASH（unicode =â€“）。我用SW SPECIAL + { - > MARK（HYPHEN_UNICODE，1,2）};所以这个问题就解决了。这是解决问题的唯一方法吗？ Orelse还有其他解决方案。 –

它的所有关于他的词法分析器的定义，它创建了ruta（W，CW，SPECIAL ...）的标记类注释。

规则CW COLON CW+{->MARK(CITY,1,1)};为文本跨度Paris创建类型CITY的注释，而不考虑unicode字符。

最后一个规则元素CW+与Ã相匹配，因为这用CW注释，但由于‰不是CW而是SPECIAL。

有不同的方法可以避免这个问题。我的建议是，你应该依赖于你的规则的不同类型的注释。 ruta的词法分析注释的工作是创建最小的注释。他们没有定义一般的令牌。

也许你可以使用这样的事情（或使用性能更好的实际标记者）：

DECLARE CITY; 
DECLARE Token; 

RETAINTYPE(SPACE); 
(W (SPECIAL? W)*){-> Token}; 
RETAINTYPE; 

Token COLON Token+{->MARK(CITY,1,1)};

免责声明：我是UIMA鲁塔开发商

2016-04-29 09:49:14

嗨，彼得谢谢你的回复。我对此规则行{-REGEXP（“CORA：。*”） - > MARK（参考）}有疑问。什么是CORA：。*意思是 –

你可以简单介绍一下Html转换器，Html转换器和TEIViewWriter的一些例子。因为我试过这个，但是收到了一些错误信息。 –

在本评论部分，用示例解释相当有问题。最好，在UIMA用户邮件列表上询问这个问题（或者在stackoverflow上创建一个新的问题）。 –

回答