知识卡片

操作参考卡 · 6644.a.7 · 生成模型:未记录

正则切分可匹配词元或间隔

理解等级:中级

RegexpTokenizer默认把匹配到的片段作为token;gaps=True则把匹配片段当分隔符,取它们之间的文本。前者对应findall,后者对应split,选择相反会反转保留对象。空结果和捕获组也可能影响返回值,应按实际规则核对,不能只看正则中出现了单词字符就认定输出单词。

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007;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:原文分别解释findall和split并给空白分隔例,官方实现确认由gaps控制两条路径。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:gexpTokenizer('\s+',gaps=True) >>> tokenizer.tokenize("Don't hesitate to ask questions") ["Don't", 'hesitate', 'to