如何使用NLTK标记器消除标点符号？

我刚刚开始使用NLTK，但我不太了解如何从文本中获取单词列表。如果使用nltk.word_tokenize()，则会得到单词和标点的列表。我只需要这些词。我如何摆脱标点符号？同样word_tokenize不适用于多个句子：点号会添加到最后一个单词中。

看看nltk 在此处提供的其他标记化选项。例如，您可以定义一个令牌生成器，该令牌生成器将字母数字字符序列选作令牌，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']

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)

或对于unicode：

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

然后在令牌生成器中使用此字符串。

PS字符串模块还有一些其他可以删除的元素集（例如数字）。

下面的代码将删除所有标点符号以及非字母字符。从他们的书中复制。

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']

正如注释中所注意到的那样，因为word_tokenize（）仅适用于单个句子，所以它以send_tokenize（）开头。您可以使用filter（）过滤出标点符号。如果您有一个unicode字符串，请确保它是一个unicode对象（而不是使用“ utf-8”之类的编码编码的“ 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)

我只使用了以下代码，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()]

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正常使用，因为它可以删除标点符号，同时保留“ n't”之类的令牌，而这些令牌不能从regex令牌生成器（如）获得wordpunct_tokenize。

真诚的问，这是什么字？如果您假设一个单词仅由字母字符组成，那您就错了，因为如果在标记化之前删除标点符号，can't诸如的单词将被破坏成碎片（例如can和t），这很可能会对程序产生负面影响。

因此，解决方案是先标记化然后删除标点标记。

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，如果你愿意，你可以替换某些标记，如'm用am。

我使用以下代码删除标点符号：

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 ")

而且，如果您想检查令牌是否为有效的英语单词，则可能需要PyEnchant

教程：

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

删除标点符号（它将删除和标点符号处理的一部分，使用下面的代码）

        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 

样本输入/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']

只需添加@rmalouf的解决方案，就不会包含任何数字，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!')

您可以在没有nltk（python 3.x）的情况下一行完成此操作。

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