关于python:如何使用NLTK tokenizer摆脱标点符号?

How to get rid of punctuation using NLTK tokenizer?

我刚开始使用NLTK,我不太明白如何从文本中获取单词列表。如果我使用nltk.word_tokenize(),我会得到一个单词和标点的列表。我只需要这些词。我怎样才能去掉标点符号?另外,word_tokenize不适用于多个句子:在最后一个单词中添加点。


看看NLTK在这里提供的其他标记化选项。例如,您可以定义一个标记器,它将字母数字字符序列作为标记,并删除其他所有内容:

1
2
3
4
from nltk.tokenize import RegexpTokenizer

tokenizer = RegexpTokenizer(r'\w+')
tokenizer.tokenize('Eighty-seven miles to go, yet.  Onward!')

输出:

1
['Eighty', 'seven', 'miles', 'to', 'go', 'yet', 'Onward']


您不需要NLTK来删除标点符号。您可以用简单的python删除它。弦乐:

1
2
3
import string
s = '... some string with punctuation ...'
s = s.translate(None, string.punctuation)

或用于Unicode:

1
2
3
import string
translate_table = dict((ord(char), None) for char in string.punctuation)  
s.translate(translate_table)

然后在标记器中使用这个字符串。

P.S.字符串模块还有一些可以删除的其他元素集(如数字)。


下面的代码将删除所有标点符号以及非字母字符。从他们的书上抄下来的。

网址:http://www.nltk.org/book/ch01.html

1
2
3
4
5
6
7
8
9
import nltk

s ="I can't do this now, because I'm so tired.  Please give me some time. @ sd  4 232"

words = nltk.word_tokenize(s)

words=[word.lower() for word in words if word.isalpha()]

print(words)

输出

1
['i', 'ca', 'do', 'this', 'now', 'because', 'i', 'so', 'tired', 'please', 'give', 'me', 'some', 'time', 'sd']


正如在注释中注意到的,从sent_tokenize()开始,因为word_tokenize()只在一个句子上工作。您可以使用filter()过滤掉标点符号。如果您有一个Unicode字符串,请确保它是一个Unicode对象(不是用一些编码(如"utf-8")编码的"str")。

1
2
3
4
5
from nltk.tokenize import word_tokenize, sent_tokenize

text = '''It is a blue, small, and extraordinary ball. Like no other'''
tokens = [word for sent in sent_tokenize(text) for word in word_tokenize(sent)]
print filter(lambda word: word not in ',-', tokens)


我只使用了以下代码,删除了所有标点:

1
2
3
4
5
6
7
8
9
tokens = nltk.wordpunct_tokenize(raw)

type(tokens)

text = nltk.Text(tokens)

type(text)  

words = [w.lower() for w in text if w.isalpha()]


我认为您需要某种正则表达式匹配(下面的代码在python 3中):

1
2
3
4
5
6
7
8
9
import string
import re
import nltk

s ="I can't do this now, because I'm so tired.  Please give me some time."
l = nltk.word_tokenize(s)
ll = [x for x in l if not re.fullmatch('[' + string.punctuation + ']+', x)]
print(l)
print(ll)

输出:

1
2
['I', 'ca',"n't", 'do', 'this', 'now', ',', 'because', 'I',"'m", 'so', 'tired', '.', 'Please', 'give', 'me', 'some', 'time', '.']
['I', 'ca',"n't", 'do', 'this', 'now', 'because', 'I',"'m", 'so', 'tired', 'Please', 'give', 'me', 'some', 'time']

在大多数情况下应该很好地工作,因为它删除标点符号,同时保留诸如"n't"之类的标记,而这些标记不能从诸如wordpunct_tokenize之类的regex标记化器获得。


我使用此代码删除标点:

1
2
3
4
5
6
7
8
import nltk
def getTerms(sentences):
    tokens = nltk.word_tokenize(sentences)
    words = [w.lower() for w in tokens if w.isalnum()]
    print tokens
    print words

getTerms("hh, hh3h. wo shi 2 4 A . fdffdf. A&&B")

如果你想检查令牌是否是一个有效的英文单词,你可能需要pyenchant

辅导的:

1
2
3
4
5
 import enchant
 d = enchant.Dict("en_US")
 d.check("Hello")
 d.check("Helo")
 d.suggest("Helo")


去除穿刺(它会去除。以及使用以下代码处理标点符号的一部分)

1
2
3
        tbl = dict.fromkeys(i for i in range(sys.maxunicode) if unicodedata.category(chr(i)).startswith('P'))
        text_string = text_string.translate(tbl) #text_string don't have punctuation
        w = word_tokenize(text_string)  #now tokenize the string

样品输入/输出:

1
direct flat in oberoi esquire. 3 bhk 2195 saleable 1330 carpet. rate of 14500 final plus 1% floor rise. tax approx 9% only. flat cost with parking 3.89 cr plus taxes plus possession charger. middle floor. north door. arey and oberoi woods facing. 53% paymemt due. 1% transfer charge with buyer. total cost around 4.20 cr approx plus possession charges. rahul soni

['direct', 'flat', 'oberoi', 'esquire', '3', 'bhk', '2195', 'saleable', '1330', 'carpet', 'rate', '14500', 'final', 'plus', '1', 'floor', 'rise', 'tax', 'approx', '9', 'flat', 'cost', 'parking', '389', 'cr', 'plus', 'taxes', 'plus', 'possession', 'charger', 'middle', 'floor', 'north', 'door', 'arey', 'oberoi', 'woods', 'facing', '53', 'paymemt', 'due', '1', 'transfer', 'charge', 'buyer', 'total', 'cost', 'around', '420', 'cr', 'approx', 'plus', 'possession', 'charges', 'rahul', 'soni']