mindspore.dataset.text.RegexTokenizer

class mindspore.dataset.text.RegexTokenizer(delim_pattern, keep_delim_pattern='', with_offsets=False)[源代码]

根据正则表达式对字符串进行分词。

有关支持的正则表达式的模式,请参阅 https://unicode-org.github.io/icu/userguide/strings/regexp.html

Note

Windows平台尚不支持 RegexTokenizer

参数:

  • delim_pattern (str) - 以正则表达式表示的分隔符,字符串将被正则匹配的分隔符分割。

  • keep_delim_pattern (str, 可选) - 如果被 delim_pattern 匹配的字符串也能被 keep_delim_pattern 匹配,就可以此分隔符作为标记(token)保存。 默认值:’’(空字符),即分隔符不会作为输出标记保留。

  • with_offsets (bool, 可选) - 是否输出分词标记(token)的偏移量,默认值:False,不输出。

异常:

  • TypeError - 参数 delim_pattern 的类型不是str。

  • TypeError - 参数 keep_delim_pattern 的类型不是str。

  • TypeError - 参数 with_offsets 的类型不是bool。

支持平台:

CPU

样例:

>>> # If with_offsets=False, default output is one column {["text", dtype=str]}
>>> delim_pattern = r"[ |,]"
>>> tokenizer_op = text.RegexTokenizer(delim_pattern, with_offsets=False)
>>> text_file_dataset = text_file_dataset.map(operations=tokenizer_op)
>>> # If with_offsets=True, then output three columns {["token", dtype=str],
>>> #                                                   ["offsets_start", dtype=uint32],
>>> #                                                   ["offsets_limit", dtype=uint32]}
>>> tokenizer_op = text.RegexTokenizer(delim_pattern, with_offsets=True)
>>> text_file_dataset_1 = text_file_dataset_1.map(operations=tokenizer_op, input_columns=["text"],
...                                               output_columns=["token", "offsets_start",
...                                                               "offsets_limit"],
...                                               column_order=["token", "offsets_start",
...                                                             "offsets_limit"])