文本预处理

1.将文本作为字符串加载到内存中。
2. 将字符串拆分为词元（如单词和字符）。
3. 建立一个词表，将拆分的词元映射到数字索引。
4.将文本转换为数字索引序列，方便模型操作。

import collections
import re
from d2l import torch as d2l


d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
                                '090b5e7e70c295757f55df93cb0a180b9691891a')

def read_time_machine():  #@save
    """将时间机器数据集加载到文本行的列表中"""
    with open(d2l.download('time_machine'), 'r') as f:
        lines = f.readlines()
    return [re.sub('[^A-Za-z]+', ' ', line).strip().lower() for line in lines]#.strip() 移除字符串开头和结尾的空格  .lower()统一为小写

def tokenize(lines, token='word'):  #@save
    """将文本行拆分为单词或字符词元"""
    if token == 'word':
        return [line.split() for line in lines]
    elif token == 'char':
        return [list(line) for line in lines]
    else:
        print('错误：未知词元类型：' + token)
'''
将字符串映射到从0开始的索引
'''
class Vocab:  #@save
    """文本词表
    min_freq：如果token出现的次数少于这个数，则将这个token丢掉，做成不认识
    reserved_tokens：句子开始或者结束token

    """
    def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
        if tokens is None:
            tokens = []
        if reserved_tokens is None:
            reserved_tokens = []
        # 按出现频率排序
        counter = count_corpus(tokens)
        self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
                                   reverse=True)#对token的频率排序，由大到小
        # 未知词元的索引为0
        '''
        idx_to_token:在输入idx时候，输出对应的token
        '''
        self.idx_to_token = ['<unk>'] + reserved_tokens
        #输入对应的token，输出对应的idx
        self.token_to_idx = {token: idx
                             for idx, token in enumerate(self.idx_to_token)}
        '''
            将token, freq拿出，若出现的频率，也就是freq小于min_freq
            则将此token丢弃，否则如果不在token_to_idx这个字典中，则在字典中
            添加这个token，对应的，在token_to_idx也需要添加对应的idx
        '''
        for token, freq in self._token_freqs:
            if freq < min_freq:
                break
            if token not in self.token_to_idx:
                self.idx_to_token.append(token)
                self.token_to_idx[token] = len(self.idx_to_token) - 1

    def __len__(self):
        return len(self.idx_to_token)

    def __getitem__(self, tokens):
        if not isinstance(tokens, (list, tuple)):
            return self.token_to_idx.get(tokens, self.unk)
        return [self.__getitem__(token) for token in tokens]
    '''
    to_tokens：将idx转换为相应的token，并输出
    '''
    def to_tokens(self, indices):
        if not isinstance(indices, (list, tuple)):
            return self.idx_to_token[indices]
        return [self.idx_to_token[index] for index in indices]

    @property
    def unk(self):  # 未知词元的索引为0
        return 0

    @property
    def token_freqs(self):
        return self._token_freqs

def count_corpus(tokens):  #@save
    """统计词元的频率
        每一个不一样的token出现的次数。
    """
    # 这里的tokens是1D列表或2D列表
    if len(tokens) == 0 or isinstance(tokens[0], list):
        # 将词元列表展平成一个列表
        '''
            for line in tokens 
                for token in line
                    token.append(token)
        '''
        tokens = [token for line in tokens for token in line]
        #统计各个词元的出现次数，返回以词元为键、出现次数为值的字典。
    return collections.Counter(tokens)

def load_corpus_time_machine(max_tokens=-1):  #@save
    """返回时光机器数据集的词元索引列表和词表"""
    lines = read_time_machine()
    tokens = tokenize(lines, 'char')
    vocab = Vocab(tokens)
    # 因为时光机器数据集中的每个文本行不一定是一个句子或一个段落，
    # 所以将所有文本行展平到一个列表中
    '''
        如果在类中定义了__getitem__()方法，那么他的实例对象（假设为P）就可以这样P[key]取值。
        当实例对象做P[key]运算时，就会调用类中的__getitem__()方法
        vocab中定义了__getitem__()方法，vocab[token]，取出对应的下标
    '''
    corpus = [vocab[token] for line in tokens for token in line]
    if max_tokens > 0:
        corpus = corpus[:max_tokens]
    return corpus, vocab

corpus, vocab = load_corpus_time_machine()
len(corpus), len(vocab)



lines = read_time_machine()
print(f'# 文本总行数: {len(lines)}')
print(lines[0])
print(lines[10])

tokens = tokenize(lines)
for i in range(11):
    print(tokens[i])