NLPP-03-Exercises

《PYTHON自然语言处理》第3章 处理原始文本

更多更复杂有关处理HTML内容 http://www.crummy.com/software/BeautifulSoup/

3.11 深入阅读

PEP-100 http://www.python.org/dev/peps/pep-0100/
http://amk.ca/
Frederik Lundh, Python Unicode Objects, http://effbot.org/zone/unicode-objects.htm
Joel Spolsky, The Absolute Minimum Every Software Developer Absolutely, Posi-tively Must Know About Unicode and Character Sets (No Excuses!), http://www.joelonsoftware.com/articles/Unicode.html

http://sighan.org/

http://www.aclweb.org/

3.12 练习

1

 s = 'colorless'
 s[:4] + 'u' + s[4:]

2

 s = ['dishes', 'running', 'nationality', 'undo', 'preheat']
 s[0][:4]
 s[1][:3]
 s[2][:6]
 s[3][2:]
 s[4][3:]

3 负数索引会回绕，s[-1]是字符串最后一个字符。

4、5

monty = 'Monty Python'

monty[6:11:2] => 'Pto'

第一个是起点，第二个是终点，第三个是步长。

monty[10:5:-2] => 'otP'

步长为负，反方向（左）取字符。

monty[::-1] = > 'nohtyP ytnoM'

倒序取整个字符串。

6

a.[a-zA-Z]+      纯字符构成的单词

b.[A-Z][a-z]*    首字母大写的纯字符单词，词长至少是1

c. p[aeiou]{,2}t  首字母为p，跟0-2个元音字母，跟字母t的单词。

d.\d+(\.\d+)?    整数或小数。数字1个或多个，跟(小数点.1个，数字1个或多个） ，小数点部分或0个或1个。

e.([^aeiou][aeiou][^aeiou])*  （1非小写字母，可以是大写元音字母+1小写元音字母+1非小写元音字母）0个或多个。

e.的范围比预想要广，测试。

 wl = ['9iy', 'LoL', 'WoW', 'AoE', 'abc', '']
 [w for w in wl if re.search('([^aeiou][aeiou][^aeiou])*', w)]

 ['9iy', 'LoL', 'WoW', 'AoE', 'abc', '']

 [w for w in wl if re.search('([^aeiou][aeiou][^aeiou])', w)]
 # 去掉了*

 ['9iy', 'LoL', 'WoW', 'AoE']

第一种情况，123是模式为0的情况。abc为什么也能通过，也是模式为0？？是的，nltk.re_show('([^aeiou][aeiou][^aeiou])', 'abc') 结果是{}a{}b{}c

第二种情况，是预想的情形。

二者只差一个*，差别太大了。

f.\w+ | [^\w\s]+  至少一个字母数字字符 或者 至少一个不含字母数字字符空白的字符串。

7.

a. 没想出来

b. ^-?[1-9]\d*$ 匹配整数

\*乘号

\+加号

^-?[1-9]\d*$\*^-?[1-9]\d*$\+^-?[1-9]\d*$

8、9. 正则表达式分词

10.

 sent = ['The', 'dog', 'gave', 'John', 'the', 'newspaper']
 [(word, len(word)) for word in sent]

11. Define a string raw containing a sentence of your own choosing. Now, split raw on some character other than space, such as 's'.

这句中文译文译得真头疼。“分裂raw的一些字符以外的空间，例如's'”

应为：“以其他字符（非空格），如's' 来分词”。

 s = 'The dog gave John the newspaper'
 s.split()
 s.split(' ')
 s.split('a')
 s.split('a ')
 s.split('o')
 s.split('J')

13.

split()能识别出\t,将其视为做分隔符，split(' ')严格将空格作为分隔符，\t视为内容放入词链表。

 s = 'The dog     gave J\t ohn the news paper.'
 s.split()
 s.split(' ')

14

words.sort()，words本身变为有序词链。

sorted(words)，输出排序词链，但words本身没有变化，依然保持原序。

15.

3 * 7 => 21

# “3" * 7是字符”3"重复7次。

"3" * 7 => '3333333'

int("3") => 3

str(3) =>'3'

16. 略

17.

>>> s ='HelloWorld'
>>> s
'HelloWorld'
>>> '%6s' % s
'HelloWorld'
>>> '%-6s' % s
'HelloWorld'

=====结束分割线=====

（待续……)