NLTK模式能否直接传入字符串？企业名称提取代码无输出求助

嘿，我来帮你排查下问题，顺便解答你的疑问～

首先看你的代码，有几个小问题导致没有输出：

1. 导入语句语法错误 #

你的导入写在了一行，这会触发语法错误，应该分成两行（或者用逗号分隔）：

from nltk.tokenize import sent_tokenize, word_tokenize
from nltk import pos_tag, RegexpParser

2. 分词方式不正确 #

你用了sent.split()来拆分句子，但这种方式只是按空格分割，会把GmbH.、Inc.当成一个完整的词，导致POS标签识别错误（比如GmbH.可能被标为NN而不是你期望的独立标签）。应该用NLTK的word_tokenize()，它会正确拆分单词和标点：

tokens = word_tokenize(sent)
pos_tags = pos_tag(tokens)

3. RegexpParser模式的写法错误 #

你在模式里写了<GmbH|Inc|corp>，但RegexpParser的模式是基于词性标签（POS Tag）的，尖括号里只能填POS标签（比如NNP、NN），不能直接写具体的字符串值——这也是你那个疑问的答案：不能直接在模式里传入字符串值，这个工具是靠词性标签来匹配短语的。

那怎么实现你的需求呢？可以先匹配连续的专有名词（企业名通常是NNP标签），然后在遍历子树的时候，检查短语的最后一个词是否是你要的后缀（GmbH/Inc/corp）。

修正后的完整代码 #

from nltk.tokenize import sent_tokenize, word_tokenize
from nltk import pos_tag, RegexpParser

text = "CompanyName1 GmbH is from Germany. CompanyName2 Inc is from America. CompanyName3 corp is from India."

# 先匹配连续的专有名词序列
pattern = r"""
P: {<NNP>+}
"""

PChunker = RegexpParser(pattern)

for sent in sent_tokenize(text):
    tokens = word_tokenize(sent)
    pos_tags = pos_tag(tokens)
    print("Parts of speech :", pos_tags)
    
    output = PChunker.parse(pos_tags)
    for subtree in output.subtrees(filter=lambda t: t.label() == 'P'):
        phrase_words = [x[0] for x in subtree]
        # 检查短语最后一个词是否是目标后缀
        if phrase_words[-1] in ['GmbH', 'Inc', 'corp']:
            print(' '.join(phrase_words))

额外小建议 #

如果是提取企业/组织名称，也可以试试NLTK的命名实体识别（NER）工具ne_chunk()，它能直接识别ORGANIZATION类型的实体，可能更省心：

from nltk.tokenize import word_tokenize
from nltk import pos_tag, ne_chunk

text = "CompanyName1 GmbH is from Germany. CompanyName2 Inc is from America. CompanyName3 corp is from India."

for sent in sent_tokenize(text):
    tokens = word_tokenize(sent)
    pos_tags = pos_tag(tokens)
    chunks = ne_chunk(pos_tags)
    for subtree in chunks.subtrees(filter=lambda t: t.label() == 'ORGANIZATION'):
        print(' '.join([x[0] for x in subtree]))

运行修正后的代码，你应该就能得到想要的企业名称输出啦～

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