python tokenizador de oraciones nltk, considere las nuevas líneas como límite de oraciones



nlp tokenize (1)

Bueno, tuve el mismo problema y lo que hice fue dividir el texto en '\ n'. Algo como esto:

# in my case, when it had '\n', I called it a new paragraph, 
# like a collection of sentences
paragraphs = [p for p in text.split('\n') if p]
# and here, sent_tokenize each one of the paragraphs
for paragraph in paragraphs:
    sentences = tokenizer.tokenize(paragraph)

Esta es una versión simplificada de lo que tenía en producción, pero la idea general es la misma. Y, disculpen los comentarios y la documentación en portugués, esto se hizo en "propósitos educativos" para la audiencia brasileña

def paragraphs(self):
    if self._paragraphs is not None:
        for p in  self._paragraphs:
            yield p
    else:
        raw_paras = self.raw_text.split(self.paragraph_delimiter)
        gen = (Paragraph(self, p) for p in raw_paras if p)
        self._paragraphs = []
        for p in gen:
            self._paragraphs.append(p)
            yield p

código completo https://gitorious.org/restjor/restjor/source/4d684ea4f18f66b097be1e10cc8814736888dfb4:restjor/decomposition.py#Lundefined

Estoy usando el PunkSentenceTokenizer de PunkSentenceTokenizer para PunkSentenceTokenizer un texto en un conjunto de oraciones. Sin embargo, el tokenizer no parece considerar un nuevo párrafo o nuevas líneas como una nueva oración.

>>> from nltk.tokenize.punkt import PunktSentenceTokenizer
>>> tokenizer = PunktSentenceTokenizer()
>>> tokenizer.tokenize('Sentence 1 \n Sentence 2. Sentence 3.')
['Sentence 1 \n Sentence 2.', 'Sentence 3.']
>>> tokenizer.span_tokenize('Sentence 1 \n Sentence 2. Sentence 3.')
[(0, 24), (25, 36)]

Me gustaría considerar las nuevas líneas como un límite de oraciones también. ¿De todos modos para hacer esto (necesito guardar las compensaciones también)?





tokenize