如何从NLTK RegexpParser输出中提取指定文本片段？

嘿，我来帮你搞定这个问题！你现在已经通过RegexpParser得到了带有chunk标记的树结构输出，接下来只需要遍历这个树，定位到你定义的P标签对应的子树，然后提取里面的词汇就可以了。

完整修改后的代码 #

首先要确保导入了所有需要的NLTK模块，然后在解析后的树中筛选目标chunk：

from nltk import sent_tokenize, pos_tag, RegexpParser
import nltk

text = "The pizza was 66 and brilliant"
pattern = r""" P: {<NN>+<VBD>+<CD>+} """

for sent in sent_tokenize(text):
    # 对句子分词并做词性标注
    tagged_sentence = pos_tag(sent.split())
    # 初始化chunk解析器并解析
    p_chunker = RegexpParser(pattern)
    parsed_tree = p_chunker.parse(tagged_sentence)
    
    # 遍历解析树，找到标记为P的chunk
    for subtree in parsed_tree:
        # 判断是否是我们要的P子树
        if isinstance(subtree, nltk.Tree) and subtree.label() == 'P':
            # 提取子树中的所有词汇并拼接成字符串
            target_phrase = ' '.join(word for word, tag in subtree.leaves())
            print(target_phrase)

代码解释 #

1. 树结构遍历：parse()方法返回的是一个nltk.Tree对象，树中的每个节点要么是(词, 词性标签)的元组，要么是带有自定义标签（比如你的P）的子树。
2. 筛选目标子树：通过isinstance(subtree, nltk.Tree)判断是否是子树，再匹配标签P来定位我们需要的chunk。
3. 提取词汇：用subtree.leaves()获取子树中的所有(词, 标签)对，然后提取每个元素的第一个值（词汇），最后用' '.join()拼接成完整短语。

小提示 #

如果你的文本包含更复杂的分词场景（比如标点、缩写），建议用nltk.word_tokenize()代替sent.split()，分词会更准确：

from nltk.tokenize import word_tokenize
# ...
tagged_sentence = pos_tag(word_tokenize(sent))

内容的提问来源于stack exchange，提问作者user9845038