Python NLTK 删除不属于 URL 的内部标点符号

Question

我在 Python 中使用 NLTK，我在尝试从文本中删除内部标点符号时遇到问题，因为在句点之后应该有 space新句子。

这里有几个例子：

'on.How'

'time.Jerry'

'me?What'

如何删除前面示例中的标点符号，但仍保留 whosebug.com 或 nltk.org 等网址中的标点符号？

谢谢！

Answer 1

嗯，您可以使用 Spacy 提取 URLs。然后你可以在列表中使用 URLs 并使用简单的 python 你可以完成你的工作。假设我们在名为 URL...

的列表中获取了 URL

sentence = "hi.hello.whosebug.com or nltk.org"
URL = ["whosebug.com", "nltk.org"]

# to remove URLs from our sentence and place a number so we can later replace 
# our URLs there
x=0
for i in URL:
    sentence = sentence.replace(i,str(x))
    x+=1

# put period with space
sentence=sentence.split(".")
sentence = ". ".join(sentence)

# replace our URLs in the correct place
x=0
for i in URL:
    sentence = sentence.replace(str(x),i)
    x+=1
print(sentence)
# output - "hi. hello. whosebug.com or nltk.org"

Python NLTK 删除不属于 URL 的内部标点符号

Python NLTK Remove Internal Punctuation NOT Part of a URL

python

nltk