python做html文档_python – 对HTML文档进行标记

您需要创建自定义Tokenizer.

您的自定义Tokenizer将与spaCy的标记器完全相同,但它将具有’‘从前缀和后缀中删除的符号,还会添加一个新前缀和一个新后缀规则.

码:

import spacy

from spacy.tokens import Token

Token.set_extension('tag', default=False)

def create_custom_tokenizer(nlp):

from spacy import util

from spacy.tokenizer import Tokenizer

from spacy.lang.tokenizer_exceptions import TOKEN_MATCH

prefixes = nlp.Defaults.prefixes + ('^',)

suffixes = nlp.Defaults.suffixes + ('$',)

# remove the tag symbols from prefixes and suffixes

prefixes = list(prefixes)

prefixes.remove('

prefixes = tuple(prefixes)

suffixes = list(suffixes)

suffixes.remove('>')

suffixes = tuple(suffixes)

infixes = nlp.Defaults.infixes

rules = nlp.Defaults.tokenizer_exceptions

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值