python - 使用 nltk 标记 unicode

Question

我有使用 utf-8 编码的文本文件，其中包含“ö”、“ü”等字符。我想解析这些文件中的文本，但无法让标记器正常工作。如果我使用标准的 nltk 标记器:

f = open('C:\Python26\text.txt', 'r') # text = 'müsli pöök rääk'
text = f.read()
f.close
items = text.decode('utf8')
a = nltk.word_tokenize(items)

---

输出:[u'\ufeff', u'm', u'\xfc', u'sli', u'p', u'\xf6', u'\xf6', u' k', u'r', u'\xe4', u'\xe4', u'k']

Punkt 分词器似乎做得更好:

f = open('C:\Python26\text.txt', 'r') # text = 'müsli pöök rääk'
text = f.read()
f.close
items = text.decode('utf8')
a = PunktWordTokenizer().tokenize(items)

---

输出:[u'\ufeffm\xfcsli', u'p\xf6\xf6k', u'r\xe4\xe4k']

在我无法弄清楚的第一个 token 之前仍然有'\ufeff'(不是我无法删除它)。我究竟做错了什么？非常感谢您的帮助。

Answer 1

\uFEFF 字符更有可能是从文件中读取的内容的一部分。我怀疑它是由标记器插入的。文件开头的 \uFEFF 是 Byte Order Mark 的弃用形式.如果它出现在其他任何地方，则将其视为 zero width non-break space .

文件是由 Microsoft 记事本编写的吗？来自 the codecs module docs :

To increase the reliability with which a UTF-8 encoding can be detected, Microsoft invented a variant of UTF-8 (that Python 2.5 calls "utf-8-sig") for its Notepad program: Before any of the Unicode characters is written to the file, a UTF-8 encoded BOM (which looks like this as a byte sequence: 0xef, 0xbb, 0xbf) is written.

尝试使用 codecs.open() 读取您的文件反而。注意使用 BOM 的 "utf-8-sig" 编码。

import codecs
f = codecs.open('C:\Python26\text.txt', 'r', 'utf-8-sig')
text = f.read()
a = nltk.word_tokenize(text)

实验:

>>> open("x.txt", "r").read().decode("utf-8")
u'\ufeffm\xfcsli'
>>> import codecs
>>> codecs.open("x.txt", "r", "utf-8-sig").read()
u'm\xfcsli'
>>>