python - word_tokenize - nltk tokenize spanish

Tokenizing Unicode usando nltk

Question

Tengo archivos de texto que utilizan la codificación utf-8 que contiene caracteres como ''ö'', ''ü'', etc. Me gustaría analizar el texto de estos archivos, pero no consigo que el tokenizador funcione correctamente. Si utilizo el tokenizer estándar de nltk:

f = open(''C:/Python26/text.txt'', ''r'') # text = ''müsli pöök rääk''
text = f.read()
f.close
items = text.decode(''utf8'')
a = nltk.word_tokenize(items)

Salida: [u''/ufeff'', u''m'', u''/xfc'', u''sli'', u''p'', u''/xf6'', u''/xf6'', u''k'', u''r'', u''/xe4'', u''/xe4'', u''k'']

Punkt tokenizer parece hacerlo mejor:

f = open(''C:/Python26/text.txt'', ''r'') # text = ''müsli pöök rääk''
text = f.read()
f.close
items = text.decode(''utf8'')
a = PunktWordTokenizer().tokenize(items)

salida: [u''/ufeffm/xfcsli'', u''p/xf6/xf6k'', u''r/xe4/xe4k'']

Todavía hay ''/ ufeff'' antes del primer token que no puedo entender (no es que no pueda eliminarlo). ¿Qué estoy haciendo mal? Ayuda muy apreciada.

Answer 1

Debe asegurarse de que está pasando cadenas Unicode a los tokenizadores nltk. Obtengo las siguientes tokenizaciones idénticas de su cadena con ambos tokenizadores en mi extremo:

import nltk
nltk.wordpunct_tokenize(''müsli pöök rääk''.decode(''utf8''))
# output : [u''m/xfcsli'', u''p/xf6/xf6k'', u''r/xe4/xe4k'']
nltk.word_tokenize(''müsli pöök rääk''.decode(''utf8''))
# output: [u''m/xfcsli'', u''p/xf6/xf6k'', u''r/xe4/xe4k'']

Answer 2

El código UFEE es un carácter de "ZERO WIDTH NO-BREAK SPACE" y no se considera como un espacio en el módulo re , por lo que PunktWordTokenizer() utiliza el regex r''/w+|[^/w/s]+'' con unicode y las banderas de puntos reconocen este carácter como una palabra. Si no desea eliminar el carácter manualmente, puede usar el siguiente tokenizador:

nltk.RegexpTokenizer(u''/w+|[^/w/s/ufeff]+'')

Answer 3

Es más probable que el carácter /uFEFF sea ​​parte del contenido leído del archivo. Dudo que haya sido insertado por el tokeniser. /uFEFF al principio de un archivo es una forma obsoleta de Byte Order Mark . Si aparece en cualquier otro lugar, entonces se trata como un espacio sin interrupción de ancho cero .

¿Fue el archivo escrito por Microsoft Notepad? Desde el módulo de codecs docs :

Para aumentar la confiabilidad con la que se puede detectar una codificación UTF-8, Microsoft inventó una variante de UTF-8 (que Python 2.5 llama "utf-8-sig") para su programa de Bloc de notas: antes de que se escriba cualquiera de los caracteres Unicode Se escribe el archivo, una lista de materiales codificada en UTF-8 (que se parece a esto como una secuencia de bytes: 0xef, 0xbb, 0xbf).

Intenta leer tu archivo usando codecs.open() lugar. Tenga en cuenta la codificación "utf-8-sig" que consume la lista de materiales.

import codecs
f = codecs.open(''C:/Python26/text.txt'', ''r'', ''utf-8-sig'')
text = f.read()
a = nltk.word_tokenize(text)

Experimentar:

>>> open("x.txt", "r").read().decode("utf-8")
u''/ufeffm/xfcsli''
>>> import codecs
>>> codecs.open("x.txt", "r", "utf-8-sig").read()
u''m/xfcsli''
>>>