python如何提取文本信息?

1、信息提取

先用句子分段器將文檔的原始文本分成句子，再用記號賦值器將每個句子進(jìn)一步分成單詞。其次，給每一個句子做詞性標(biāo)記。以nltk中的默認(rèn)工具為例，將句子分段器、分詞器、詞性標(biāo)記器連接。

defie_preprocess(document):

#nltk默認(rèn)的句子分段器

sentences=nltk.sent_tokenize(document)

#nltk默認(rèn)分詞器

sentences=[nltk.word_tokenize(sent)forsentinsentences]

#nltk默認(rèn)詞性標(biāo)記

sentences=[nltk.pos_tag(sent)forsentinsentences]

2、詞塊劃分

詞塊劃分是實體識別的基礎(chǔ)技術(shù)，對多個詞的順序進(jìn)行劃分和標(biāo)記。

如NounPhraseChunking(名詞短語詞塊劃分)

使用正則表達(dá)式來定義一個語法，來進(jìn)行名詞短語詞塊的劃分

3、開發(fā)和評估詞塊劃分器

分區(qū)器可以用evaluate()方法評價分區(qū)器的性能好壞。

以下是使用一元標(biāo)記來建立單詞塊分割器的學(xué)習(xí)。但是，不是確定每個單詞的正確單詞性標(biāo)記，而是根據(jù)每個單詞的單詞性標(biāo)記，確定正確的單詞塊標(biāo)記。

#使用一元標(biāo)注器建立一個詞塊劃分器。根據(jù)每個詞的詞性標(biāo)記，嘗試確定正確的詞塊標(biāo)記。

classUnigramChunker(nltk.ChunkParserI):

#constructor

def__init__(self,train_sents):

#將訓(xùn)練數(shù)據(jù)轉(zhuǎn)換成適合訓(xùn)練標(biāo)注器的形式。tree2conlltags()方法將每個詞塊樹映射到一個三元組(word，tag，chunk)的列表

train_data=[[(t,c)forw,t,cinnltk.chunk.tree2conlltags(sent)]

forsentintrain_sents]

#訓(xùn)練一元分塊器

#self.tagger=nltk.UnigramTagger(train_data)

#訓(xùn)練二元分塊器

self.tagger=nltk.BigramTagger(train_data)

#sentence為一個已標(biāo)注的句子

defparse(self,sentence):

#提取詞性標(biāo)記

pos_tags=[posfor(word,pos)insentence]

#使用標(biāo)注器為詞性標(biāo)記標(biāo)注IOB詞塊

tagged_pos_tags=self.tagger.tag(pos_tags)

#提取詞塊標(biāo)記

chunktags=[chunktagfor(pos,chunktag)intagged_pos_tags]

#將詞塊標(biāo)記與原句組合

conlltags=[(word,pos,chunktag)for((word,pos),chunktag)

inzip(sentence,chunktags)]

#轉(zhuǎn)換成詞塊樹

returnnltk.chunk.conlltags2tree(conlltags)

以上就是python提取文本信息的方法，希望能對大家有所幫助，更多Python學(xué)習(xí)教程請關(guān)注IT培訓(xùn)機(jī)構(gòu):千鋒教育。