Python文本预处理如何设置规则保护指定专有名词不被错误加工

问题1：自动拼写纠错修正专有名词的解决方案 #

通过维护专有名词白名单的方式实现过滤，白名单内的词汇直接跳过纠错步骤即可：

import nltk
from autocorrect import spell

# 可根据业务需求扩展白名单条目
PROPER_NOUN_WHITELIST = {"skyrim"}

def autospell(text):
    spells = []
    for w in nltk.word_tokenize(text):
        if w.lower() in PROPER_NOUN_WHITELIST:
            spells.append(w)
        else:
            spells.append(spell(w))
    return " ".join(spells)

def main():
    text = "skyrim"
    spell_text = autospell(text)
    print(spell_text)

运行后输出为skyrim，不会被错误修正为syria。

问题2：仅保留E3中的数字、其余文本移除数字的解决方案 #

通过临时占位替换的方式规避E3被规则误伤：

def remove_numbers(text):
    # 先替换E3为唯一占位符
    text = text.replace("E3", "__TEMP_E3_MARKER__")
    # 执行全局数字移除逻辑
    output = ''.join(c for c in text if not c.isdigit())
    # 还原占位符为E3
    output = output.replace("__TEMP_E3_MARKER__", "E3")
    return output

def main():
    text = "in 2000, I am watching the E3"
    print(remove_numbers(text))

运行后输出为in , I am watching the E3，符合预期要求。

内容的提问来源于stack exchange，提问作者Erica T