Python - 分词

---

---

在 Python 中，分词基本上是指将较大的文本内容拆分成较小的行、单词，甚至为非英语语言创建单词。nltk 模块本身内置了各种分词函数，可以在程序中使用，如下所示。

行分词

在下面的示例中，我们使用 sent_tokenize 函数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)

运行上述程序后，我们将得到以下输出：

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

非英语分词

在下面的示例中，我们对德语文本进行分词。

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)

运行上述程序后，我们将得到以下输出：

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

单词分词

我们使用 nltk 中提供的 word_tokenize 函数对单词进行分词。

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)

运行上述程序后，我们将得到以下输出：

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