[英]Searching for Unicode characters in Python
我正在基於Python / NLTK的非英語unicode文本的NLP項目。 為此,我需要在句子中搜索unicode字符串。
有一個.txt文件,其中保存了一些非英語的unicode句子。 我使用NLTK PunktSentenceTokenizer破壞了它們並將其保存在python列表中。
sentences = PunktSentenceTokenizer().tokenize(text)
現在我可以遍歷列表並分別獲取每個sentence
。
我需要做的是遍歷該sentence
並確定哪個單詞具有給定的unicode字符。
范例-
sentence = 'AASFG BBBSDC FEKGG SDFGF'
假設上面的文本是非英語unicode,我需要找到以GF
結尾的單詞,然后返回整個單詞(可能是該單詞的索引)。
search = 'SDFGF'
同樣,我需要找到以BB
開頭的單詞。
search2 = 'BBBSDC'
如果我理解正確,則只需將句子拆分成單詞,循環遍歷每個單詞,然后檢查它是否以所需的字符結尾或以開頭,例如:
>>> sentence = ['AASFG', 'BBBSDC', 'FEKGG', 'SDFGF']
>>> [word for word in sentence.split() if word.endswith("GF")]
['SDFGF']
sentence.split()
也許可以用類似替代nltk.tokenize.word_tokenize(sentence)
更新 ,關於評論:
如何在其前面和后面獲得單詞
enumerate
函數可用於為每個單詞賦予一個數字,如下所示:
>>> print list(enumerate(sentence))
[(0, 'AASFG'), (1, 'BBBSDC'), (2, 'FEKGG'), (3, 'SDFGF')]
然后,如果執行相同的循環,但保留索引:
>>> results = [(idx, word) for (idx, word) in enumerate(sentence) if word.endswith("GG")]
>>> print results
[(2, 'FEKGG')]
..您可以使用索引獲取下一個或上一個項目:
>>> for r in results:
... r_idx = r[0]
... print "Prev", sentence[r_idx-1]
... print "Next", sentence[r_idx+1]
...
Prev BBBSDC
Next SDFGF
您需要處理匹配第一個或最后一個單詞的情況( if r_idx == 0
, if r_idx == len(sentence)
)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.