如何使用 NLTK 分词器去除标点符号？

Posted 2023-02-15

【中文标题】如何使用 NLTK 分词器去除标点符号？

【英文标题】：How to get rid of punctuation using NLTK tokenizer?

【发布时间】：2013-03-10 22:56:34

【问题描述】：

我刚开始使用 NLTK，我不太明白如何从文本中获取单词列表。如果我使用nltk.word_tokenize()，我会得到一个单词和标点符号列表。我只需要单词。我怎样才能摆脱标点符号？ word_tokenize 也不适用于多个句子：在最后一个单词中添加点。

【问题讨论】：

为什么不自己删除标点符号呢？ nltk.word_tokenize(the_text.translate(None, string.punctuation)) 应该可以在 python2 中使用，而在 python3 中你可以使用 nltk.work_tokenize(the_text.translate(dict.fromkeys(string.punctuation)))。

这不起作用。文本没有任何反应。

NLTK 假设的工作流程是您首先将其标记为句子，然后将每个句子转换为单词。这就是为什么word_tokenize() 不能处理多个句子的原因。要去掉标点符号，可以使用正则表达式或python的isalnum()函数。

它确实工作：>>> 'with dot.'.translate(None, string.punctuation) 'with dot'（注意结果末尾没有点）如果你有类似'end of sentence.No space'的东西可能会导致问题，在这种情况下做改为：the_text.translate(string.maketrans(string.punctuation, ' '*len(string.punctuation))) 用空格替换所有标点符号。

顺便说一下，isalnum() 方法适用于 Unicode。

【参考方案1】：

正如在 cmets 中注意到的，以 sent_tokenize() 开头，因为 word_tokenize() 仅适用于单个句子。您可以使用 filter() 过滤掉标点符号。如果你有一个 unicode 字符串，请确保它是一个 unicode 对象（不是一个用一些编码如 'utf-8' 编码的 'str'）。

from nltk.tokenize import word_tokenize, sent_tokenize

text = '''It is a blue, small, and extraordinary ball. Like no other'''
tokens = [word for sent in sent_tokenize(text) for word in word_tokenize(sent)]
print filter(lambda word: word not in ',-', tokens)

【讨论】：

Penn Treebank 分词器所涉及的大部分复杂性都与正确处理标点符号有关。如果您只想去除标点符号，为什么还要使用昂贵的标记器来很好地处理标点符号？

word_tokenize 是一个返回 [token for sent in sent_tokenize(text, language) for token in _treebank_word_tokenize(sent)] 的函数。所以我认为你的答案是在做 nltk 已经做的事情：在使用 word_tokenize() 之前使用 sent_tokenize()。至少这是针对 nltk3 的。

@rmalouf 因为你不需要标点符号？所以你想要did 和n't 而不是.

【参考方案2】：

看看 nltk 提供的其他标记化选项here。例如，您可以定义一个分词器，它挑选出字母数字字符序列作为令牌并丢弃其他所有内容：

from nltk.tokenize import RegexpTokenizer

tokenizer = RegexpTokenizer(r'\w+')
tokenizer.tokenize('Eighty-seven miles to go, yet.  Onward!')

输出：

['Eighty', 'seven', 'miles', 'to', 'go', 'yet', 'Onward']

【讨论】：

请注意，如果您使用此选项，您将失去 word_tokenize 特有的自然语言功能，例如拆分缩略词。您可以天真地拆分正则表达式 \w+，而不需要任何 NLTK。

为了说明@sffc 评论，您可能会丢失诸如“先生”之类的词

将 'n't' 替换为 't' 如何摆脱这种情况？

【参考方案3】：

我刚刚使用了以下代码，删除了所有标点符号：

tokens = nltk.wordpunct_tokenize(raw)

type(tokens)

text = nltk.Text(tokens)

type(text)  

words = [w.lower() for w in text if w.isalpha()]

【讨论】：

为什么要将标记转换为文本？

【参考方案4】：

我使用此代码删除标点符号：

import nltk
def getTerms(sentences):
    tokens = nltk.word_tokenize(sentences)
    words = [w.lower() for w in tokens if w.isalnum()]
    print tokens
    print words

getTerms("hh, hh3h. wo shi 2 4 A . fdffdf. A&&B ")

如果你想检查一个token是否是一个有效的英文单词，你可能需要PyEnchant

教程：

 import enchant
 d = enchant.Dict("en_US")
 d.check("Hello")
 d.check("Helo")
 d.suggest("Helo")

【讨论】：

请注意，此解决方案会杀死宫缩。那是因为word_tokenize 使用标准标记器TreebankWordTokenizer，它将收缩拆分（例如can't 到（ca，n't）。但是n't 不是字母数字，并且在此过程中会丢失。跨度>

【参考方案5】：

您实际上并不需要 NLTK 来删除标点符号。您可以使用简单的 python 将其删除。对于字符串：

import string
s = '... some string with punctuation ...'
s = s.translate(None, string.punctuation)

或者对于 unicode：

import string
translate_table = dict((ord(char), None) for char in string.punctuation)   
s.translate(translate_table)

然后在你的分词器中使用这个字符串。

P.S. 字符串模块还有一些其他可以删除的元素集（如数字）。

【讨论】：

使用同样有效的列表表达式删除所有标点符号。 a = "*fa,fd.1lk#$" print("".join([w for w in a if w not in string.punctuation]))

这种方法在 python >= 3.1 中没有任何作用，因为translate 方法只需要一个参数。如果您仍想使用translate 方法，请参考this question。

【参考方案6】：

我认为您需要某种正则表达式匹配（以下代码在 Python 3 中）：

import string
import re
import nltk

s = "I can't do this now, because I'm so tired.  Please give me some time."
l = nltk.word_tokenize(s)
ll = [x for x in l if not re.fullmatch('[' + string.punctuation + ']+', x)]
print(l)
print(ll)

输出：

['I', 'ca', "n't", 'do', 'this', 'now', ',', 'because', 'I', "'m", 'so', 'tired', '.', 'Please', 'give', 'me', 'some', 'time', '.']
['I', 'ca', "n't", 'do', 'this', 'now', 'because', 'I', "'m", 'so', 'tired', 'Please', 'give', 'me', 'some', 'time']

在大多数情况下应该可以很好地工作，因为它删除了标点符号，同时保留了诸如“n't”之类的标记，这些标记无法从诸如 wordpunct_tokenize 之类的正则表达式标记器中获得。

【讨论】：

这还将删除... 和-- 之类的内容，同时保留s.translate(None, string.punctuation) 不会的缩略词

【参考方案7】：

以下代码将删除所有标点符号以及非字母字符。抄自他们的书。

http://www.nltk.org/book/ch01.html

import nltk

s = "I can't do this now, because I'm so tired.  Please give me some time. @ sd  4 232"

words = nltk.word_tokenize(s)

words=[word.lower() for word in words if word.isalpha()]

print(words)

输出

['i', 'ca', 'do', 'this', 'now', 'because', 'i', 'so', 'tired', 'please', 'give', 'me', 'some', 'time', 'sd']

【讨论】：

请注意，使用这种方法你会在“can't”或“don't”这样的情况下丢失“not”这个词，这对于理解和分类句子可能非常重要。最好使用 sentence.translate(string.maketrans("", "", ), chars_to_remove)，其中 chars_to_remove 可以是 ".,':;!?"

@MikeL 你不能通过在tokanizing之前导入contractions和contractions.fix(sentence_here)来绕过像“can't”和“don't”这样的词。它将“不能”变成“不能”，“不要”变成“不要”。

【参考方案8】：

删除标点符号（它将删除 . 以及使用以下代码处理的部分标点符号）

        tbl = dict.fromkeys(i for i in range(sys.maxunicode) if unicodedata.category(chr(i)).startswith('P'))
        text_string = text_string.translate(tbl) #text_string don't have punctuation
        w = word_tokenize(text_string)  #now tokenize the string 

示例输入/输出：

direct flat in oberoi esquire. 3 bhk 2195 saleable 1330 carpet. rate of 14500 final plus 1% floor rise. tax approx 9% only. flat cost with parking 3.89 cr plus taxes plus possession charger. middle floor. north door. arey and oberoi woods facing. 53% paymemt due. 1% transfer charge with buyer. total cost around 4.20 cr approx plus possession charges. rahul soni

['direct', 'flat', 'oberoi', 'esquire', '3', 'bhk', '2195', 'saleable', '1330', 'carpet', 'rate', '14500', 'final', 'plus', '1', 'floor', 'rise', 'tax', 'approx', '9', 'flat', 'cost', 'parking', '389', 'cr', 'plus', 'taxes', 'plus', 'possession', 'charger', 'middle', 'floor', 'north', 'door', 'arey', 'oberoi', 'woods', 'facing', '53', 'paymemt', 'due', '1', 'transfer', 'charge', 'buyer', 'total', 'cost', 'around', '420', 'cr', 'approx', 'plus', 'possession', 'charges', 'rahul', 'soni']

【讨论】：

非常感谢

【参考方案9】：

真诚地问一句，什么是词？如果您的假设是一个单词仅由字母字符组成，那么您就错了，因为诸如can't 之类的单词将被分解成碎片（例如can 和t）如果您在标记化之前删除标点符号，这很可能会对您的程序产生负面影响。

因此解决方案是标记然后删除标点符号。

import string

from nltk.tokenize import word_tokenize

tokens = word_tokenize("I'm a southern salesman.")
# ['I', "'m", 'a', 'southern', 'salesman', '.']

tokens = list(filter(lambda token: token not in string.punctuation, tokens))
# ['I', "'m", 'a', 'southern', 'salesman']

...然后，如果您愿意，可以将某些标记（例如 'm）替换为 am。

【参考方案10】：

@rmalouf 只是添加到解决方案中，这不会包含任何数字，因为 \w+ 等效于 [a-zA-Z0-9_]

from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer(r'[a-zA-Z]')
tokenizer.tokenize('Eighty-seven miles to go, yet.  Onward!')

【讨论】：

这个为每个字母创建一个标记。

【参考方案11】：

不用 nltk (python 3.x) 也可以一行完成。

import string
string_text= string_text.translate(str.maketrans('','',string.punctuation))