使用NLTK和Python从文本文件中读取和标记POS标记的句子

Question

有没有人知道是否有现成的模块或简单的方法来读取和写入文本文件中的词性标记句子？ 我正在使用python和Natural Language Toolkit（NLTK）。 例如，这段代码：

import nltk

sentences = "Call me Ishmael. Some years ago - never mind how long precisely - having little or no money in my purse, and nothing particular to interest me on shore, I thought I would sail about a little and see the watery part of the world."

tagged = nltk.sent_tokenize(sentences.strip())
tagged = [nltk.word_tokenize(sent) for sent in tagged]
tagged = [nltk.pos_tag(sent) for sent in tagged]

print tagged

返回此嵌套列表：

[[('Call', 'NNP'), ('me', 'PRP'), ('Ishmael', 'NNP'), ('.', '.')], [('Some', 'DT'), ('years', 'NNS'), ('ago', 'RB'), ('-', ':'), ('never', 'RB'), ('mind', 'VBP'), ('how', 'WRB'), ('long', 'JJ'), ('precisely', 'RB'), ('-', ':'), ('having', 'VBG'), ('little', 'RB'), ('or', 'CC'), ('no', 'DT'), ('money', 'NN'), ('in', 'IN'), ('my', 'PRP$'), ('purse', 'NN'), (',', ','), ('and', 'CC'), ('nothing', 'NN'), ('particular', 'JJ'), ('to', 'TO'), ('interest', 'NN'), ('me', 'PRP'), ('on', 'IN'), ('shore', 'NN'), (',', ','), ('I', 'PRP'), ('thought', 'VBD'), ('I', 'PRP'), ('would', 'MD'), ('sail', 'VB'), ('about', 'IN'), ('a', 'DT'), ('little', 'RB'), ('and', 'CC'), ('see', 'VB'), ('the', 'DT'), ('watery', 'NN'), ('part', 'NN'), ('of', 'IN'), ('the', 'DT'), ('world', 'NN'), ('.', '.')]]

我知道我可以很容易地把它转换成泡菜，但我真的想把它作为一个更大的文本文件的一部分导出。 我希望能够将列表导出到文本文件，然后稍后返回它，解析它，并恢复原始列表结构。 NLTK中是否有内置函数来执行此操作？ 我看了但找不到任何......

示例输出：

<headline>Article headline</headline>
<body>Call me Ishmael...</body>
<pos_tags>[[('Call', 'NNP'), ('me', 'PRP'), ('Ishmael', 'NNP')...</pos_tags>

Answer 1

NLTK具有标记文本的标准文件格式。 它看起来像这样：

致电/ NNP me / PRP Ishmael / NNP ./。

您应该使用这种格式，因为它允许您使用NLTK的TaggedCorpusReader和其他类似的类读取您的文件，并获得全方位的语料库阅读器功能。 令人困惑的是，NLTK中没有用这种格式编写标记语料库的高级功能，但这可能是因为它非常简单：

for sent in tagged:
    print " ".join(word+"/"+tag for word, tag in sent)

（NLTK确实提供了nltk.tag.tuple2str() ，但它只处理一个单词 - 只需输入word+"/"+tag就更简单了。

如果将标记文本以这种格式保存在一个或多个文件fileN.txt中，则可以使用nltk.corpus.reader.TaggedCorpusReader将其读回：

mycorpus = nltk.corpus.reader.TaggedCorpusReader("path/to/corpus", "file.*\.txt")
print mycorpus.fileids()
print mycorpus.sents()[0]
for sent in mycorpus.tagged_sents():
    <etc>

请注意， sents()方法为您提供了未标记的文本，尽管有点奇怪的间隔。 没有必要在文件中包含标记和未标记的版本，如示例中所示。

TaggedCorpusReader不支持文件头（对于标题等），但是如果你真的需要它，你可以派生自己的类读取文件元数据，然后像TaggedCorpusReader一样处理其余的。

Answer 2

看起来像使用pickle.dumps并将其输出插入到您的文本文件中，也许使用标签包装器进行自动加载将满足您的要求。

你能更具体地说明你希望文本输出看起来像什么吗？ 你的目标是什么更人性化的东西？

编辑：添加一些代码

from xml.dom.minidom import Document, parseString
import nltk

sentences = "Call me Ishmael. Some years ago - never mind how long precisely - having little or no money in my purse, and nothing particular to interest me on shore, I thought I would sail about a little and see the watery part of the world."

tagged = nltk.sent_tokenize(sentences.strip())
tagged = [nltk.word_tokenize(sent) for sent in tagged]
tagged = [nltk.pos_tag(sent) for sent in tagged]

# Write to xml string
doc = Document()

base = doc.createElement("Document")
doc.appendChild(base)

headline = doc.createElement("headline")
htext = doc.createTextNode("Article Headline")
headline.appendChild(htext)
base.appendChild(headline)

body = doc.createElement("body")
btext = doc.createTextNode(sentences)
headline.appendChild(btext)
base.appendChild(body)

pos_tags = doc.createElement("pos_tags")
tagtext = doc.createTextNode(repr(tagged))
pos_tags.appendChild(tagtext)
base.appendChild(pos_tags)

xmlstring = doc.toxml()

# Read back tagged

doc2 = parseString(xmlstring)
el = doc2.getElementsByTagName("pos_tags")[0]
text = el.firstChild.nodeValue
tagged2 = eval(text)

print "Equal? ", tagged == tagged2

使用NLTK和Python从文本文件中读取和标记POS标记的句子

问题描述

2 个解决方案

解决方案1
3 2012-09-13 13:54:52

解决方案2
1 已采纳 2011-04-07 00:44:32

使用NLTK和Python从文本文件中读取和标记POS标记的句子

问题描述

2 个解决方案

解决方案1 3 2012-09-13 13:54:52

解决方案2 1 已采纳 2011-04-07 00:44:32

解决方案1
3 2012-09-13 13:54:52

解决方案2
1 已采纳 2011-04-07 00:44:32