Python - 标记化

• 

  简述

  Python 标记化基本上是指将较大的文本体拆分为较小的行、单词，甚至为非英语语言创建单词。nltk 模块本身内置了各种标记化功能，可以在程序中使用，如下所示。
• 

  线标记化

  在下面的示例中，我们使用函数 sent_tokenize 将给定的文本分成不同的行。

  
  import nltk
  sentence_data = "The First sentence is about Python. The Second: about Django. You can learn Python,Django and Data Ananlysis here. "
  nltk_tokens = nltk.sent_tokenize(sentence_data)
  print (nltk_tokens)
  

  当我们运行上述程序时，我们得到以下输出 -

  
  ['The First sentence is about Python.', 'The Second: about Django.', 'You can learn Python,Django and Data Ananlysis here.']
  

• 

  非英语标记化

  在下面的示例中，我们标记了德语文本。

  
  import nltk
  german_tokenizer = nltk.data.load('tokenizers/punkt/german.pickle')
  german_tokens=german_tokenizer.tokenize('Wie geht es Ihnen?  Gut, danke.')
  print(german_tokens)
  

  当我们运行上述程序时，我们得到以下输出 -

  
  ['Wie geht es Ihnen?', 'Gut, danke.']
  

• 

  Word Tokenzitaion

  我们使用作为 nltk 一部分的 word_tokenize 函数对单词进行标记。

  
  import nltk
  word_data = "It originated from the idea that there are readers who prefer learning new skills from the comforts of their drawing rooms"
  nltk_tokens = nltk.word_tokenize(word_data)
  print (nltk_tokens)
  

  当我们运行上述程序时，我们得到以下输出 -

  
  ['It', 'originated', 'from', 'the', 'idea', 'that', 'there', 'are', 'readers', 
  'who', 'prefer', 'learning', 'new', 'skills', 'from', 'the',
  'comforts', 'of', 'their', 'drawing', 'rooms']