英文分词对比nltk vs spacy

word tokenize

1. NLTK

   1. nltk.word_tokenize

   substring，按标点字符和空格划分，但保留小数、分数一类

   2. nltk.tokenize.RegexpTokenizer

   正则可保留固定的一部分，如对一些金钱'$10'表示或者其他非空白序列

   3. nltk.tokenize.stanford.StanfordTokenizer

   会将单位切分更细，例如：kg/m² -> 'kg', '/', 'm', '²'

   4. nltk.tokenize.mwe.MWETokenizer

   对已分词的文本进行再处理或者合并多个字符为一个

   5. nltk.tokenizr.WordPunctTokenizer.tokenize()`

   按字符和非字符进行划分，相当于使用正则 \w+|[^\w\s]+，与word_tokenize的区别在于，会将小数、分数分开

   6. nltk.tokeizer.WhitespaceTokenizer().tokenize()

   按(space, tab, newline)划分

2. Spacy

   预定义的分词是按照空格来划分，spaCy首先对文本分词，原始文本在空格处分割，类似于text.split(' ')，然后分词器（Tokenizer）从左向右依次处理token，在处理token时，spaCy做了两个check：

   • 是否匹配特殊规则（execption rule）
   • 是否前缀、中缀或后缀可以分割

   spacy进行自定义规则处理，比如网址：

   import re
   from spacy.lang.en import English
   nlp = spacy.load("en_core_web_sm")
   
   def my_en_tokenizer(nlp):
       prefix_re = spacy.util.compile_prefix_regex(English.Defaults.prefixes)
       suffix_re = spacy.util.compile_suffix_regex(English.Defaults.suffixes)
       infix_re = spacy.util.compile_infix_regex(English.Defaults.infixes)
       pattern_re = re.compile(r'^https?://')
       return spacy.tokenizer.Tokenizer(nlp.vocab,
                                        English.Defaults.tokenizer_exceptions,
                                 		 prefix_re.search,
                                        suffix_re.search,
                                        infix_re.finditer,
                                        token_match=pattern_re.match)
   
   nlp.tokenizer = my_en_tokenizer(nlp)
   doc = nlp(ss)
   print([t.text for t in doc])
   
   '''
   ['abd', ',', 'defe', ',', 'https://www.selleck.eu/products/MK-2206']
   '''
   

简单总结：

​ nltk的word_tokenize符合常用分词，能将带有连字符'-','/'的词进行保留，对常用单位进行保留，比如'kg/m²'等。添加自定义词典，可利用MWETokenizer进一步处理。