[英]Removing non ASCII from corpus
I'm using NLTK for my project. 我正在为我的项目使用NLTK。 However, if a non-ascii word like '•' exist.
但是,如果存在像'•'这样的非ascii词。 NLTK cannot tokenize it.
NLTK无法对其进行标记。 I'm using
nltk.word_tokenize
as the tokenizer. 我正在使用
nltk.word_tokenize
作为标记器。 How do I remove such words from entire corpus or make the tokenizer aware of such words? 如何从整个语料库中删除此类单词或使标记生成器识别出这些单词?
Use the below code to remove nonascii from your corpus: 使用以下代码从您的语料库中删除nonascii :
ip=open(nonascii.txt,'r')
#Edit should be in w mode
op=open(ascii.txt,'w')
for line in ip:
line=line.strip().decode("ascii","ignore").encode("ascii")
if line=="":continue
op.write(line)
ip.close()
op.close()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.