nltk:python自然语言处理二

最新推荐文章于 2025-04-09 10:42:30 发布

原创

最新推荐文章于 2025-04-09 10:42:30 发布 · 1.2k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#python #nltk

这篇博客介绍了如何使用nltk库进行自定义正则分词，包括RegexpTokenizer类、regexp_tokenize方法，以及BlanklineTokenizer和WhitespaceTokenizer这两个RegexpTokenizer的子类，它们分别用于按空行和空白字符进行分词。

前面的一些分词工具都是写好的的规则

如果我们想按照自己的规则进行分词可以使用正则分词器

1.RegexpTokenizer类

from nltk.tokenize import RegexpTokenizer

text = " I won't just survive, Oh, you will see me thrive. Can't write my story,I'm beyond the archetype."

# 实例化RegexpTokenizer 会按照正则表达式进行re.findall()
regexp_tokenizer = RegexpTokenizer(pattern="\w+")
# 实例化RegexpTokenizer 指定gaps=True会按照正则表达式进行re.split()
regexp_tokenizer1 = RegexpTokenizer("[\s,'\.]", gaps=True)
print(regexp_tokenizer.tokenize(text))
# ['I', 'won', 't', 'just', 'survive', 'Oh', 'you', 'will', 'see', 'me', 'thrive', 'Can', 't', 'write', 'my', 'story', 'I', 'm', 'beyond', 'the', 'archetype']
print(regexp_tokenizer1.tokenize(text))
# ['I', 'won', 't', 'just', 'survive', 'Oh', 'you', 'will', 'see', 'me', 'thrive', 'Can', 't', 'write', 'my', 'story', 'I', 'm', 'beyond', 'the', 'archetype']

2.regexp_tokenize方法

# 此方法封装实例化RegexpTokenizer并用实例的tokenize方法进行分词用法及作用和RegexpTokenizer 一样