希腊语的无上下文语法

Question

我想使用nltk为希腊语言创建一个非常简单的无上下文语法。 我在Windows上运行Python 2.7。

这是我的代码：

# -*- coding: utf-8 -*-
import nltk
grammar = nltk.CFG.fromstring("""
            S -> Verb Noun
            Verb -> a
            Noun -> b
            """)
a="κάνω"
b="ποδήλατο"

user_input = "κάνω ποδήλατο"

如何判断user_input在语法上是否正确？ 我试过了：

sent =  user_input.split()
parser = nltk.ChartParser(grammar)
for tree in parser.parse(sent):
        print tree

但我得到了下面的错误，这发生在grammar.py文件（行632），附带nltk ：

ValueError: Grammar does not cover some of the input words: u"'\\xce\\xba\\xce\\xac\\xce\\xbd\\xcf\\x89', '\\xcf\\x80\\xce\\xbf\\xce\\xb4\\xce\\xae\\xce\\xbb\\xce\\xb1\\xcf\\x84\\xce\\xbf'".

我仅在使用for循环时收到错误。 在那之前，我没有收到任何错误。 所以我想这是某种编码问题，我不知道该如何克服。

Answer 1

首先，如果使用nltk.CFG.fromstring ，则必须声明非终结nltk.CFG.fromstring ，即，将词典中的单词直接声明为CFG语法：

import nltk
grammar = nltk.CFG.fromstring(u"""
            S -> Verb Noun
            Verb -> "κάνω"
            Noun -> "ποδήλατο"
            """)
parser = nltk.ChartParser(grammar)
print parser.grammar()

[OUT]：

Grammar with 3 productions (start state = S)
    S -> Verb Noun
    Verb -> '\u03ba\u03ac\u03bd\u03c9'
    Noun -> '\u03c0\u03bf\u03b4\u03ae\u03bb\u03b1\u03c4\u03bf'

现在我们来看一下您的user_input ：

>>> print ["κάνω ποδήλατο"]
['\xce\xba\xce\xac\xce\xbd\xcf\x89 \xcf\x80\xce\xbf\xce\xb4\xce\xae\xce\xbb\xce\xb1\xcf\x84\xce\xbf']

您意识到该字符串在python 2.x中被读取为字节码，但是在python 3.x中，默认情况下它应该是utf8。 现在，在将其解码为utf8时查看一下：

>>> print ["κάνω ποδήλατο".decode('utf8')]
[u'\u03ba\u03ac\u03bd\u03c9 \u03c0\u03bf\u03b4\u03ae\u03bb\u03b1\u03c4\u03bf']

请注意，当您对某些变量进行硬编码时， u"κάνω ποδήλατο"与“κάνωποδήλατο” .decode（'utf8'）`具有显着的解码效果。

现在看起来就像如何使用nltk.CFG.fromstring()读取语法：

# -*- coding: utf-8 -*-

import nltk
grammar = nltk.CFG.fromstring(u"""
            S -> Verb Noun
            Verb -> "κάνω"
            Noun -> "ποδήλατο"
            """)
parser = nltk.ChartParser(grammar)

user_input = u"κάνω ποδήλατο".split()
sent = user_input
parser = nltk.ChartParser(grammar)

for tree in parser.parse(sent):
    print tree

[OUT]：

(S (Verb \u03ba\u03b1\u03bd\u03c9) (Noun \u03c0\u03bf\u03b4\u03b7\u03bb\u03b1\u03c4\u03bf))

但是我不确定您是否看到关于输出的怪异内容，它不完全是unicode，而是unicode字节表示形式：

>>> x = '\u03ba\u03b1\u03bd\u03c9'
>>> print x
\u03ba\u03b1\u03bd\u03c9
>>> print x.decode('utf8')
\u03ba\u03b1\u03bd\u03c9
>>> print x.encode('utf8')
\u03ba\u03b1\u03bd\u03c9
>>> x = u'\u03ba\u03b1\u03bd\u03c9'
>>> print x
κανω

您需要执行以下操作来检索原始的unicode（由于@Kasra，请参见如何从unicode字节表示中检索我的unicode ）：

>>> s='\u03ba\u03b1\u03bd\u03c9'
>>> print unicode(s,'unicode_escape')
κανω