python
复制代码
"""
我们将解析文本的常见预处理步骤。
这些步骤通常包括：
1.将文本作为字符串加载到内存中。
2.字符串拆分为词元（如单词和字符）。
3.建立一个词表，将拆分的词元映射到数字索引。
4.将文本转换为数字索引序列，方便模型操作。
"""
import collections
import re
from d2l import torch as d2l
# 读取数据集
# 从H.G.Well的时光机器中加载文本
# d2l.DATA_HUB['time_machine'] = (d2l.DATA_URL + 'timemachine.txt',
# '090b5e7e70c295757f55df93cb0a180b9691891a')
# d2l.download('time_machine')
time_machine_dir = '../data/timemachine.txt'
def read_time_machine():
"""将时间机器数据加载到文本行的列表中"""
with open(time_machine_dir, 'r') as f:
lines = f.readlines()
return [
re.sub('[^A-Za-z]+', ' ', line).strip().lower()
for line in lines
]
"""
re.sub 是正则表达式模块 re 中的一个函数，用于替换字符串中的匹配项。
[^A-Za-z] 表示匹配任何不是大写字母（A-Z）或小写字母（a-z）的字符。
+表示匹配一个或多个非字母字符
' ' 是替换字符串，表示将所有匹配的非字母字符替换为空格。
strip() 方法用于移除字符串首尾的空白字符。
lower() 方法将字符串中的所有字符转换为小写。
"""
lines = read_time_machine()
# print(f'# 文本总行数: {len(lines)}')
# print(lines[0])
# print(lines[10])
# # 文本总行数: 3221
# the time machine by h g wells
# twinkled and his usually pale face was flushed and animated the
# 词元化
def tokenize(lines, token='word'): #@save
"""将文本行拆分为单词或字符词元"""
if token == 'word': # 拆成单词
return [line.split() for line in lines]
elif token == 'char': # 拆成单个字符
return [list(line) for line in lines]
else:
print('错误：未知词元类型：' + token)
tokens = tokenize(lines)
# print(tokens[0])
# ['the', 'time', 'machine', 'by', 'h', 'g', 'wells']
# 词表
# 构建一个字典，通常也叫做词表（vocabulary）
# 用来将字符串类型的词元映射到从0开始的数字索引中
class Vocab:
"""文本词表"""
def __init__(self, tokens=None, min_freq=0, reserved_tokens=None) -> None:
if tokens is None:
tokens = []
if reserved_tokens is None:
reserved_tokens = []
# 词元频率
counter = count_corpus(tokens)
# print(counter)
# Counter({'the': 1, 'time': 1, 'machine': 1, 'by': 1, 'h': 1, 'g': 1, 'wells': 1})
# 按出现频率排序
self._token_freqs = sorted(counter.items(), key=lambda x: x[1],
reverse=True)
# 未知词元的索引为0
self.idx_to_token = ['<unk>'] + reserved_tokens
"""
这里，self.idx_to_token 是一个列表，包含所有词元及其对应的索引。
'<unk>' 是一个特殊的词元，表示未知词元（unknown token）。
reserved_tokens 是一个列表，包含预留的词元，可以是其他特殊词元，
如 '<pad>'、'<bos>'（句子开始）和 '<eos>'（句子结束）。
['<unk>'] + reserved_tokens 将 '<unk>' 添加到 reserved_tokens 的前面，
创建一个包含未知词元和预留词元的列表。
"""
self.token_to_idx = {token: idx
for idx, token in enumerate(self.idx_to_token)}
# enumerate(self.idx_to_token) 会生成一个迭代器，
# 产生一系列的 (idx, token) 元组，其中 idx 是索引，token 是词元。
for token, freq in self._token_freqs:
if freq < min_freq:
break
if token not in self.token_to_idx:
self.idx_to_token.append(token)
self.token_to_idx[token] = len(self.idx_to_token) - 1
def __len__(self):
return len(self.idx_to_token)
def __getitem__(self, tokens):
if not isinstance(tokens, (list, tuple)): # 检查 tokens 是否是列表或元组
# 尝试获取词元 tokens 对应的索引。
# 如果词元不在字典中，返回 self.unk，表示未知词元的索引
return self.token_to_idx.get(tokens, self.unk)
return [self.__getitem__(token) for token in tokens]
def to_tokens(self, indices):
if not isinstance(indices, (list, tuple)):
return self.idx_to_token[indices]
return [self.idx_to_token[index] for index in indices]
@property
def unk(self): # 未知词元的索引为0
return 0
@property
def token_freqs(self):
return self._token_freqs
def count_corpus(tokens): #@save
"""统计词元的频率"""
# 检查 tokens 是否为空或是二维列表
# len(tokens) == 0, 二维的tokens如果没有元素的话tokens[0]会报错，需要单独处理
if len(tokens) == 0 or isinstance(tokens[0], list):
# 将词元列表展平成一个列表
# tokens = [token for line in tokens for token in line]
flat_tokens = []
for line in tokens:
for token in line:
flat_tokens.append(token)
tokens = flat_tokens
return collections.Counter(tokens) # 得到词元的频率
vocab = Vocab(tokens)
# print(list(vocab.token_to_idx.items())[:10])
# [('<unk>', 0), ('the', 1), ('i', 2), ('and', 3), ('of', 4),
# ('a', 5), ('to', 6), ('was', 7), ('in', 8), ('that', 9)]
# 整合所有功能
"""
在使用上述函数时，我们将所有功能打包到load_corpus_time_machine函数中，
该函数返回corpus（词元索引列表）和vocab（时光机器语料库的词表）。
我们在这里所做的改变是：
1.为了简化后面章节中的训练，我们使用字符（而不是单词）实现文本词元化；
2.时光机器数据集中的每个文本行不一定是一个句子或一个段落，还可能是一个单词，
因此返回的corpus仅处理为单个列表，而不是使用多词元列表构成的一个列表。
"""
def load_corpus_time_machine(max_tokens=-1): #@save
"""返回时光机器数据集的词元索引列表和词表"""
lines = read_time_machine()
tokens = tokenize(lines, 'char')
vocab = Vocab(tokens)
# 因为时光机器数据集中的每个文本行不一定是一个句子或一个段落，
# 所以将所有文本行展平到一个列表中
corpus = [vocab[token] for line in tokens for token in line]
if max_tokens > 0:
corpus = corpus[:max_tokens]
return corpus, vocab
corpus, vocab = load_corpus_time_machine(10)
print(corpus) # 输出: [对应的词元索引列表]
print(vocab.token_to_idx) # 输出: 词元到索引的映射字典