我有一个问题是,是否有办法将单个空格作为spaCy标记化中的独立标记。
例如,如果我跑:
import spacy
nlp = spacy.load("en_core_web_sm")
doc = nlp("This is easy.")
toks = [w.text for w in doc]
toks
结果是
['This', 'is', 'easy', '.']
相反,我希望有像
这样的东西['This', ' ', 'is', ' ', 'easy', '.']
有一种简单的方法吗?
答案 0 :(得分:4)
spaCy将令牌的空格公开为whitespace_
属性。因此,如果您只需要一个字符串列表,您可以这样做:
token_texts = []
for token in doc:
token_texts.append(token.text)
if token.whitespace_: # filter out empty strings
token_texts.append(token.whitespace_)
如果您想从这些令牌中创建一个实际的Doc
对象,那也是可能的。 Doc
个对象可以是constructed,并带有words
关键字参数(要添加为标记的字符串列表)。但是,我不确定它会有多大用处。
答案 1 :(得分:2)
如果您想要doc
对象中的空格:
import spacy
from spacy.tokens import Doc
class WhitespaceTokenizer(object):
def __init__(self, vocab):
self.vocab = vocab
def __call__(self, text):
words = text.split(' ')
res = [' '] * (2 * len(words) - 1)
res[::2] = words
return Doc(self.vocab, words=res)
nlp = spacy.load('en_core_web_sm')
nlp.tokenizer = WhitespaceTokenizer(nlp.vocab)
doc = nlp("This is easy.")
print([t.text for t in doc])