当前位置: 首页 > 文档资料 > Python 文本处理 >

Tokenization

优质
小牛编辑
131浏览
2023-12-01

在Python中,标记化基本上是指将更大的文本体分成更小的行,单词甚至为非英语语言创建单词。 各种标记化功能内置于nltk模块本身,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将给定文本划分为不同的行。

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)

当我们运行上面的程序时,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.']

Non-English Tokenization

在下面的示例中,我们将德语文本标记为。

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)

当我们运行上面的程序时,我们得到以下输出 -

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

单词Tokenzitaion

我们使用word_tokenize函数将单词标记为nltk的一部分。

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)

当我们运行上面的程序时,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']