1、信息提取
先用句子分段器将文档的原始文本分成句子,再用记号赋值器将每个句子进一步分成单词。其次,给每一个句子做词性标记。以nltk中的默认工具为例,将句子分段器、分词器、词性标记器连接。
def ie_preprocess(document): # nltk 默认的句子分段器 sentences = nltk.sent_tokenize(document) # nltk默认分词器 sentences = [nltk.word_tokenize(sent) for sent in sentences] # nltk默认词性标记 sentences = [nltk.pos_tag(sent) for sent in sentences]
2、词块划分
词块划分是实体识别的基础技术,对多个词的顺序进行划分和标记。
如Noun Phrase Chunking(名词短语词块划分)
使用正则表达式来定义一个语法,来进行名词短语词块的划分
3、开发和评估词块划分器
分区器可以用evaluate()方法评价分区器的性能好坏。
以下是使用一元标记来建立单词块分割器的学习。但是,不是确定每个单词的正确单词性标记,而是根据每个单词的单词性标记,确定正确的单词块标记。
# 使用一元标注器建立一个词块划分器。根据每个词的词性标记,尝试确定正确的词块标记。 class UnigramChunker(nltk.ChunkParserI): # constructor def __init__(self, train_sents): # 将训练数据转换成适合训练标注器的形式。tree2conlltags()方法将每个词块树映射到一个三元组(word,tag,chunk)的列表 train_data = [[(t, c) for w, t, c in nltk.chunk.tree2conlltags(sent)] for sent in train_sents] # 训练一元分块器 # self.tagger = nltk.UnigramTagger(train_data) # 训练二元分块器 self.tagger = nltk.BigramTagger(train_data) # sentence为一个已标注的句子 def parse(self, sentence): # 提取词性标记 pos_tags = [pos for (word, pos) in sentence] # 使用标注器为词性标记 标注IOB词块 tagged_pos_tags = self.tagger.tag(pos_tags) # 提取词块标记 chunktags = [chunktag for (pos, chunktag) in tagged_pos_tags] # 将词块标记与原句组合 conlltags = [(word, pos, chunktag) for ((word, pos), chunktag) in zip(sentence, chunktags)] # 转换成词块树 return nltk.chunk.conlltags2tree(conlltags)
以上就是python提取文本信息的方法,希望能对大家有所帮助,更多知识尽在python教程网。
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试