分词一些分词常用工具

一些分词常用工具

分词用到的一些方法和工具

NLTK的一些分词方法

这些对象均来源于nltk.tokenize库

1.word_tokenize

导入nltk的tokenize库后 tokens=nltk.word_tokenize(sentence)语句进行分词操作 sentence为待处理的字符串。返回一个列表。该方法要求被处理的字符串本身各个词语间有空格能处理如don’ t,they’ l l等缩写词的情况。

2.TweetTokenizer 分两种 1.不带参数token=

TweetTokenizer().tokenize(sentence)处理输入"This is a cooool

#dummysmi ley: :-) :-P<3 and somearrows<> -><--"

输出['This',' is','a','cooool','#dummysmi ley',' :',' :-)',' :-P','<3','and','some','arrows','<','>','->','<--']能够拆分无效用的标点符号。 2.带参数token=

TweetTokenize(strip_handles=True,reduce_len=True)输入@remy:This iswaaaaayyyytoo much foryou! ! ! ! ! !

输出[' :','This',' is','waaayyy','too','much','for','you',

' !',' !',' !']

当一个词中相同字符连续出现3次以上就只保留3个。

3.MWETokenizer tokenizer=MWETokenizer([('a',

' l ittle'), ('a',' l ittle','bit'),

('a',' lot')])

输入tokenizer.tokenize(' Ina l ittleora l ittlebitora lot inspiteof' .spl it())输出[' In','a_l ittle','or','a_l ittle_bit','or',

'a_lot',‘in’' in_spite_of']

可见该方法可对已先保留的一些短语或者组合进行重组对一些专有词可以先进行保留如F-16最后重组已保留 ‘-’ 

4.RegexpTokenizer

使用到正则表达式进行分词如对一些金钱表示或者其他非空白序列。tokenizer=RegexpTokenizer('\w+|\$[\d\.]+|\S+')

输入"Good muffinscost$3.88\nin NewYork. Pleasebuyme\ntwoofthem.\n\nThanks."

输出['Good','muffins','cost',

'$3.88',' in','New','York',

' .',

'Please','buy','me','two','of','them',' .','Thanks',

' .']

5.Twitter-awaretokenizer

按空格进行分词 同时针对推文一些特性去除@用户名保留表情等一些特殊符号。

输入"This isacooool#dummysmi ley: :-) :-P<3and somearrows<> -><--"

输出['This',' is','a','cooool','#dummysmi ley',' :',' :-)',' :-P','<3','and','some','arrows','<','>','->','<--']

6.StanfordTokenizer

按空格进行分词对于$4.28之类的将符号与数字分开。 输入"Goodmuffins cost$3.88\nin NewYork. Please buy me\ntwoof them.\nThanks."

输出['Good','muffins','cost',

'$','3.88',' in','New',

'York',' .','Please','buy',

'me','two','of','them',

' .','Thanks',' .']