Python - Tokenization

在Python中，标记化是一项强大的文本处理技术，主要用于将大文本分割为更小的段落、句子甚至单词。nltk模块内置了多种标记化功能，可以直接在程序中使用。

语句标记化

以下示例展示了如何使用sent_tokenize函数来对文本进行句子划分。

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)

运行上述代码会输出以下结果：

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

非英语语言标记化

nltk模块支持多种语言的标记化功能。以下是德语标记化的示例。

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)

运行代码会输出：

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

单词标记化

为了对文本进行单词划分，可以使用word_tokenize函数。

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)

运行代码会输出：

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