Python - tokenização

Em Python, a tokenização basicamente se refere à divisão de um corpo maior de texto em linhas menores, palavras ou mesmo a criação de palavras para um idioma diferente do inglês. As várias funções de tokenização embutidas no próprio módulo nltk e podem ser usadas em programas conforme mostrado abaixo.

Tokenização de linha

No exemplo abaixo, dividimos um determinado texto em linhas diferentes usando a função sent_tokenize.

import nltk
sentence_data = "The First sentence is about Python. The Second: about Django. You can learn Python,Django and Data Ananlysis here. "
nltk_tokens = nltk.sent_tokenize(sentence_data)
print (nltk_tokens)

Quando executamos o programa acima, obtemos a seguinte saída -

['The First sentence is about Python.', 'The Second: about Django.', 'You can learn Python,Django and Data Ananlysis here.']

Tokenização em outro idioma

No exemplo abaixo, simbolizamos o texto alemão.

import nltk
german_tokenizer = nltk.data.load('tokenizers/punkt/german.pickle')
german_tokens=german_tokenizer.tokenize('Wie geht es Ihnen?  Gut, danke.')
print(german_tokens)

Quando executamos o programa acima, obtemos a seguinte saída -

['Wie geht es Ihnen?', 'Gut, danke.']

Palavra Tokenzitaion

Nós tokenizamos as palavras usando a função word_tokenize disponível como parte do nltk.

import nltk
word_data = "It originated from the idea that there are readers who prefer learning new skills from the comforts of their drawing rooms"
nltk_tokens = nltk.word_tokenize(word_data)
print (nltk_tokens)

Quando executamos o programa acima, obtemos a seguinte saída -

['It', 'originated', 'from', 'the', 'idea', 'that', 'there', 'are', 'readers', 
'who', 'prefer', 'learning', 'new', 'skills', 'from', 'the',
'comforts', 'of', 'their', 'drawing', 'rooms']