知识卡片

结构图卡 · 6644.a.6 · 生成模型:未记录

正则分词子类复用通用切分

理解等级:中级

RegexpTokenizer提供tokenize(text)和span_tokenize(text),子类主要选择正则模式与间隔语义。图1-1表达这种复用方向,但其中旧Tokenizer/PunktWordTokenizer名称不作为当前API保证。此处类图只画官方现行源码可核对的子集:Whitespace和WordPunct继承RegexpTokenizer,后者继承TokenizerI。不要把不同分词器间的“可替换选择”画成彼此继承。

结构图: 类图

classDiagram
 class TokenizerI {
  tokenize(s)
  span_tokenize(s)
 }
 class RegexpTokenizer {
  tokenize(text)
  span_tokenize(text)
 }
 class WhitespaceTokenizer {
  __init__()
 }
 class WordPunctTokenizer {
  __init__()
 }
 TokenizerI <|-- RegexpTokenizer
 RegexpTokenizer <|-- WhitespaceTokenizer
 RegexpTokenizer <|-- WordPunctTokenizer
这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python自然语言处理 · 第1章 字符串操作,spine055单元006;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00054.html。 - 结论依据:原书图138提出继承关系;当前官方regexp源码与Treebank源码限定并修正名称,类图为可核对子集,不声称复现全部旧图。2026-11-06核对官方资料:https://www.nltk.org/_modules/nltk/tokenize/regexp.html。未在本机运行示例或改变环境。 - 原始内容:'ask', 'questions'] 分词器的继承树如图1-1所示。 图1-1