0

我正在开发一个基于 Python/NLTK 和非英语 unicode 文本的 NLP 项目。为此，我需要在句子中搜索 unicode 字符串。

有一个.txt文件保存了一些非英语的 unicode 句子。使用 NLTK PunktSentenceTokenizer我打破了它们并保存在 python 列表中。

sentences = PunktSentenceTokenizer().tokenize(text)

现在我可以遍历列表并sentence分别获取每个列表。

我需要做的是检查sentence并确定哪个单词具有给定的 unicode 字符。

例子 -

sentence = 'AASFG BBBSDC FEKGG SDFGF'

假设上面的文本是非英语 unicode，我需要找到以结尾的GF单词然后返回整个单词（可能是那个单词的索引）。

search = 'SDFGF'

同样，我需要找到以BBget the word 开头的单词。

search2 = 'BBBSDC'
4

1 回答 1

1

如果我理解正确，您只需将句子分成单词，循环遍历每个单词并检查它是否以所需字符结尾或开头，例如：

>>> sentence = ['AASFG', 'BBBSDC', 'FEKGG', 'SDFGF']
>>> [word for word in sentence.split() if word.endswith("GF")]
['SDFGF']

sentence.split()可能可以用类似的东西代替nltk.tokenize.word_tokenize(sentence)

更新，关于评论：

怎么能在它的前面和后面得到消息

该enumerate函数可用于给每个单词一个数字，如下所示：

>>> print list(enumerate(sentence))
[(0, 'AASFG'), (1, 'BBBSDC'), (2, 'FEKGG'), (3, 'SDFGF')]

然后，如果您执行相同的循环，但保留索引：

>>> results = [(idx, word) for (idx, word) in enumerate(sentence) if word.endswith("GG")]
>>> print results
[(2, 'FEKGG')]

..您可以使用索引来获取下一个或上一个项目：

>>> for r in results:
...     r_idx = r[0]
...     print "Prev", sentence[r_idx-1]
...     print "Next", sentence[r_idx+1]
...
Prev BBBSDC
Next SDFGF

您需要处理匹配第一个或最后一个单词（if r_idx == 0, if r_idx == len(sentence)）的情况

于 2013-08-04T12:53:48.247 回答