在《Python自然语言处理》一书中的P121出现来一段利用NLTK自带的正则表达式分词器——nlt.regexp_tokenize,书中代码为:
1 text = ‘That U.S.A. poster-print ex-costs-ed $12.40 ... 8% ? _‘ 2 pattern = r‘‘‘(?x) # set flag to allow verbose regexps 3 ([A-Z]\.)+ # abbreviations, e.g. U.S.A. 4 |\w+(-\w+)* # words with optional internal hyphens 5 |\$?\d+(\.\d+)?%? # currency and percentages, e.g. $12.40, 82% 6 |\.\.\. # ellipsis 7 |(?:[.,;"‘?():-_`]) # these are separate tokens; includes ], [ 8 ‘‘‘
其中text变量结尾的“8%”和“_”是我自己加上去的。
预期输出应该是：
1 [‘That‘, ‘U.S.A.‘, ‘poster-print‘, ‘ex-costs-ed‘, ‘$12.40‘, ‘...‘, ‘8%‘, ‘?‘, ‘_‘]
可实际代码是：
1 [(‘‘, ‘‘, ‘‘), (‘A.‘, ‘‘, ‘‘), (‘‘, ‘-print‘, ‘‘), (‘‘, ‘-ed‘, ‘‘), (‘‘, ‘‘, ‘.40‘), (‘‘, ‘‘, ‘‘), (‘‘, ‘‘, ‘‘), (‘‘, ‘‘, ‘‘), (‘‘, ‘‘, ‘‘)]
会出现这样的问题是由于nltk.internals.compile_regexp_to_noncapturing()在V3.1版本的NLTK中已经被抛弃（尽管在更早的版本中它仍然可以运行），为此我们把之前定义的pattern稍作修改（参考：https://blog.csdn.net/baimafujinji/article/details/51051505）
1 pattern = r‘‘‘(?x) # set flag to allow verbose regexps 2 (?:[A-Z]\.)+ # abbreviations, e.g. U.S.A. 3 |\w+(?:-\w+)* # words with optional internal hyphens 4 |\$?\d+(?:\.\d+)?%? # currency and percentages, e.g. $12.40, 82% 5 #|\w+(?:-\w+)* 6 |\.\.\. # ellipsis 7 |(?:[.,;"‘?():-_`]) # these are separate tokens; includes ], [ 8 ‘‘‘
实际输出结果是:
1 [‘That‘, ‘U.S.A.‘, ‘poster-print‘, ‘ex-costs-ed‘, ‘$12.40‘, ‘...‘, ‘8‘, ‘?‘, ‘_‘]
我们发现‘8’应该显示成‘8%’才对，后发现将第三行的‘*’去掉或者将第三四行调换位置即可正常显示，修改后代码如下：
1 pattern = r‘‘‘(?x) # set flag to allow verbose regexps 2 (?:[A-Z]\.)+ # abbreviations, e.g. U.S.A. 3 #|\w+(?:-\w+)* # words with optional internal hyphens 4 |\$?\d+(?:\.\d+)?%? # currency and percentages, e.g. $12.40, 82% 5 |\w+(?:-\w+)* 6 |\.\.\. # ellipsis 7 |(?:[.,;"‘?():-_`]) # these are separate tokens; includes ], [ 8 ‘‘‘
此时结果显示正常，所以得出结论就是‘*’影响了它下面的正则表达式中的百分号‘%‘的匹配。至于为什么就不得而知了。
NLTK——NLTK的正则表达式分词器（nltk.regexp_tokenize）
原文：https://www.cnblogs.com/LCharles/p/10876017.html