文本是一类序列数据，一篇文章可以看作是字符或单词的序列
预处理通常包括四个步骤

  1. 读入文本
  2. 分词
  3. 建立字典，将每个词映射到一个唯一的索引（index）
  4. 将文本从词的序列转换为索引的序列，方便输入模型

    读入文本

    通常有大小写统一为小写，去除两边的空格，去除非字母的符号
  1. import collections
  2. import re
  4. def read_time_machine():
  5.     with open('/home/kesci/input/timemachine7163/timemachine.txt', 'r') as f:
  6.         lines = [re.sub('[^a-z]+', ' ', line.strip().lower()) for line in f]
  7.     return lines
  10. lines = read_time_machine()
  11. print('# sentences %d' % len(lines))

分词

将一个句子划分成若干个词（token），转换为一个词的序列
token一般有两种：

  • 单词
  • 字符
  1. def tokenize(sentences, token='word'):
  2.     """Split sentences into word or char tokens"""
  3.     if token == 'word':
  4.         return [sentence.split(' ') for sentence in sentences]
  5.     elif token == 'char':
  6.         return [list(sentence) for sentence in sentences]
  7.     else:
  8.         print('ERROR: unkown token type '+token)

建立字典

为了方便模型处理，我们需要将字符串转换为数字。
因此我们需要先构建一个字典（vocabulary），将每个词映射到一个唯一的索引编号。

  1. class Vocab(object):
  2.     def __init__(self, tokens, min_freq=0, use_special_tokens=False):
  3.         counter = count_corpus(tokens)  # : 
  4.         self.token_freqs = list(counter.items())
  5.         self.idx_to_token = []
  6.         if use_special_tokens:
  7.             # padding, begin of sentence, end of sentence, unknown
  8.             self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
  9.             self.idx_to_token += ['', '', '', '']
  10.         else:
  11.             self.unk = 0
  12.             self.idx_to_token += ['']
  13.         self.idx_to_token += [token for token, freq in self.token_freqs
  14.                         if freq >= min_freq and token not in self.idx_to_token]
  15.         self.token_to_idx = dict()
  16.         for idx, token in enumerate(self.idx_to_token):
  17.             self.token_to_idx[token] = idx
  19.     def __len__(self):
  20.         return len(self.idx_to_token)
  22.     def __getitem__(self, tokens):
  23.         if not isinstance(tokens, (list, tuple)):
  24.             return self.token_to_idx.get(tokens, self.unk)
  25.         return [self.__getitem__(token) for token in tokens]
  27.     def to_tokens(self, indices):
  28.         if not isinstance(indices, (list, tuple)):
  29.             return self.idx_to_token[indices]
  30.         return [self.idx_to_token[index] for index in indices]
  32. def count_corpus(sentences):
  33.     tokens = [tk for st in sentences for tk in st]
  34.     return collections.Counter(tokens)  # 返回一个字典，记录每个词的出现次数

用现有工具进行分词

前面简单分词方式的缺点：

  • 标点符号通常可以提供语义信息，但是我们的方法直接将其丢弃了
  • 类似“shouldn’t”, “doesn’t”这样的词会被错误地处理
  • 类似”Mr.”, “Dr.”这样的词会被错误地处理

    spaCy

    1. import spacy
    2. nlp = spacy.load('en_core_web_sm')
    3. doc = nlp(text)
    4. print([token.text for token in doc])

    NLTK

  1. from nltk.tokenize import word_tokenize
  2. from nltk import data
  3. data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
  4. print(word_tokenize(text))