如何在NLTK中對字符串句子進行標記？

Question

我正在使用nltk，所以我想創建自己的自定義文本，就像nltk.books上的默認文本一樣。 但是，我剛剛接受了這樣的方法

my_text = ['This', 'is', 'my', 'text']

我想發現任何方式輸入我的“文本”：

my_text = "This is my text, this is a nice way to input text."

哪種方法，python或者nltk允許我這樣做。 更重要的是，我如何解除標點符號？

Answer 1

這實際上是在nltk.org的主頁上 ：

>>> import nltk
>>> sentence = """At eight o'clock on Thursday morning
... Arthur didn't feel very good."""
>>> tokens = nltk.word_tokenize(sentence)
>>> tokens
['At', 'eight', "o'clock", 'on', 'Thursday', 'morning',
'Arthur', 'did', "n't", 'feel', 'very', 'good', '.']

Answer 2

正如@PavelAnossov回答的那樣，規范的答案，使用word_tokenize中的word_tokenize函數：

from nltk import word_tokenize
sent = "This is my text, this is a nice way to input text."
word_tokenize(sent)

---

如果你的句子真的很簡單：

使用string.punctuation集，刪除標點符號，然后使用空格分隔符進行拆分：

import string
x = "This is my text, this is a nice way to input text."
y = "".join([i for i in x if not in string.punctuation]).split(" ")
print y