知识卡片
正则分词子类复用通用切分
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?
这张卡片已通过人工审查,不再接受失败反馈。
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