在快速发展的自然语言处理(NLP)范畴,分词(tokenization)作为将原始文本转换为呆板可处理格式的首要环节,具有不可替代的重要性。分词过程将文天职割成离散单位——即token,这些token构成了后续分析的基础,包括词嵌入(embedding)、语法剖析和模型训练等多个环节。
从汗青视角来看,早期的文本处理方法主要依赖简单的空格分割和正则表达式匹配。随着语言模型复杂度的提升和处理数据量的增加,对更智能、更具上下文感知本领的分词器的需求日益凸显。Tiktokenizer正是在这一配景下应运而生,它作为一种现代分词解决方案,具备高效性、适应性,并在设计过程中充实考虑了呆板学习范畴的最新盼望。
分词概念在计算机科学和语言学中有着深厚的理论基础。早期的算法,如经典统计模型中应用的方法,在处理人类语言的细微差异时常常表现不佳。随着深度学习特别是Transformer架构的出现,分词方法得到了显着改进,能够更好地捕获上下文信息、有效管理词汇量并更优雅地处理词汇表外(OOV)单词的问题。
当前,分词已不仅仅是简单的文本切割过程,而是对语言单位进行智能管理的体系,确保后续处理步骤(如神经网络中的嵌入层)既高效又有效。Tiktokenizer通过提供一种联合了传统技术和创新方法的改进机制,体现了这种技术演进。
Tiktokenizer不仅是一个文天职割工具,更是一套能够高精度、高性能预处理文本数据的综合解决方案。它在设计时充实考虑了现代语言模型的需求,具备以下核心特性:
自适应Token分割机制,不同于简单的空格分词器,Tiktokenizer能够利用上下文信息确定最优token边界;高效编码本领,将文本转换为数字token的过程中最小化数据损失,最大化语言模型的效用;以及出色的可扩展性,能够处理大规模数据,适用于从谈天呆板人到大规模文天职析等多种应用场景。
在接下来的章节中,我们将深入探究Tiktokenizer的底层架构,具体分析其算法原理,并通过现实示例和逐步实现来展示其在现实应用中的表现。
分词的核心原则
分词的本质
从本质上讲,分词是将连续文本流转换为计算机可处理的离散单位(token)的过程。这些token根据具体应用需求,可以小至单个字符,大至完整单词或短语。在现代NLP架构中,分词通常涉及多个处理层次:
词法分析阶段,将文本开端分解为根本单位;标准化处理,对token进行规范化处理(如转换为小写,去除标点符号);子词分割处理,将罕见或复杂的单词分解为更易管理的部分;以及数值映射,将token转换为呆板学习模型可利用的数值索引表示。
分词范畴存在多种方法,每种方法各具上风:
基于规则的分词方法利用预界说规则(如按空格或标点符号分割),实现简单但在处理复杂语言结构时效果有限;统计分词方法利用统计模型确定token边界,这类模型通常在大型文本语料库上训练,学习特定token分割的概率分布;子词分词技术如字节对编码(BPE)和WordPiece等,将单词分解为子词单位,在词汇量大小和token粒度间取得平衡;神经分词方法则利用神经网络学习token边界,提供高度机动性和性能,特别适用于缺少明确单词分隔符的语言环境。
Tiktokenizer通过整合这些方法,构建了一个通用且适应性强的工具,能够应对各种文本处理场景的需求。
Tiktokenizer的底层架构
Tiktokenizer的架构基于模块化设计理念,夸大代码的可重用性和可维护性。其核心组件包括:
输入预处理器,负责初始文本标准化处理,如小写转换和标点符号处理;分词引擎,体系的核心部分,应用规则和统计方法的组合来分割文本;编码模块,将分词后的文本转换为数值表示;以及优化层,确保分词过程的高效执行,特别是在处理大规模数据时。
这些组件均按照SOLID原则设计,确保代码库具备模块化、可测试性和可扩展性特点。
上风与范围性
现代分词器如Tiktokenizer的上风包括:
精确度方面,改进的token边界检测本领提升卑鄙NLP任务的性能;效率方面,优化算法确保大型文本的快速处理;机动性方面,能够适应多种语言和文本格式;以及可扩展性,设计上支持分布式环境中的应用,得当工业级应用场景。
任何分词器都存在一定范围性。例如Tiktokenizer需要在token粒度和词汇量大小之间取得平衡——过细的分词大概导致序列过长,增加模型内存负担,而过粗的分词则大概丢失关键语义细节。这些挑战正是该范畴持续研发的重点方向。
实例与应用场景
大型语言模型中的分词应用
大型语言模型(如GPT系列)依赖分词器将人类语言转换为可进行数学运算的形式。在这些模型中,分词质量直接影响模型的性能、精度和计算效率。例如,对于特定输入,产生过多token的分词器大概导致计算本钱增加和处理时间延长。
实例分析:以利用GPT-4的对话体系为例,输入句子"Hello, how can I help you today?"需要被转换为整数序列。Tiktokenizer通过以下步骤处理该句子:首先进行文本标准化(如转换为小写);然后将文本拆分为子词token;末了将每个token映射至唯一的数值标识符。这种简化处理确保了语言模型吸取到的输入既保留丰富语义信息,又满意计算效率要求。
数据预处理中的现实应用
除语言模型外,分词在多种NLP任务中扮演关键角色:
情感分析中,对客户批评进行token化以提取情感表达的关键短语;信息检索范畴,将文档分解为可检索的token单位;文本摘要生成,识别可用于生成精炼摘要的关键短语;以及代码分析,对源代码进行token化以执行错误检测或代码摘要等任务。在全部这些应用中,分词器的效率和准确性都对整体体系性能产生显着影响。
Tiktokenizer在处理多样且复杂文本输入的场景中展现出特殊价值。例如:
对话体系中,及时token化本领使体系快速剖析并相应用户输入;交际媒体分析范畴,处理平台上常见的非正式、噪声文本需要适应多种语言模式的分词器;编程语言分析中,分词器需要区分语法元素、解释和字符串字面量——Tiktokenizer通过其可定制规则成功应对这一挑战。
Python实现
本节将具体分析如何搭建开辟环境、设计模块化Python代码,并实现符合SOLID设计原则的完整分词体系。
利用uv设置环境
为确保实现的可复现性和摆设便捷性,我们首先利用uv(通用虚拟环境管理器)设置虚拟环境。以下shell命令展示了完整过程:
- # Install uv (Universal Virtualenv Manager)
- # 安装 uv (通用虚拟环境管理器)
- pip install uv
- # Create a virtual environment
- # 创建一个虚拟环境
- uv venv .venv
- # Activate the environment (macOS/Linux)
- # 激活环境 (macOS/Linux)
- source .venv/bin/activate
- # Activate the environment (Windows)
- # 激活环境 (Windows)
- .venv\Scripts\activate
- # Install dependencies from requirements.txt
- # 从 requirements.txt 安装依赖项
- uv pip install -r requirements.txt
复制代码 这种环境设置方式包管了全部须要依赖包都在隔离上下文中安装,确保分词器在不同环境中能够无缝运行。
模块化Python代码设计与SOLID原则应用
遵照SOLID原则意味着将代码构造为不同模块,每个模块具有单一职责。以下是分词器实现中关键模块的概述:
预处理器模块:负责文本标准化处理;分词器模块:实现核心分词逻辑;编码器模块:将token转换为数值表示;优化器模块:应用性能优化和内存管理策略。
预处理器模块
预处理器负责清理输入文本,其任务包括:将文本转换为小写形式;删除或标准化标点符号;处理特殊字符和空白标准化。
- class Preprocessor:
- def __init__(self):
- pass
- def normalize(self, text: str) -> str:
- # Convert text to lowercase and trim whitespace
- # 将文本转换为小写并删除空格
- normalized_text = text.lower().strip()
- # Replace multiple spaces with a single space
- # 将多个空格替换为单个空格
- normalized_text = ' '.join(normalized_text.split())
- return normalized_text
- # Example usage
- # 示例用法
- preprocessor = Preprocessor()
- sample_text = " Hello, World! This is Tiktokenizer. "
- clean_text = preprocessor.normalize(sample_text)
- print("Normalized text:", clean_text)
复制代码 分词器模块
分词器模块应用混淆策略,联合规则和统计方法将标准化文本拆分为token。它还支持子词分割,以更好地处理罕见词汇。
- import re
- class Tokenizer:
- def __init__(self):
- # You can add initialization for statistical models or subword vocabularies here.
- # 您可以在此处添加统计模型或子词词汇表的初始化。
- self.pattern = re.compile(r'\w+|[^\w\s]', re.UNICODE)
- def tokenize(self, text: str) -> list:
- # Using a regular expression to split the text into words and punctuation.
- # 使用正则表达式将文本拆分为单词和标点符号。
- tokens = self.pattern.findall(text)
- return tokens
- # Example usage
- # 示例用法
- tokenizer = Tokenizer()
- tokens = tokenizer.tokenize(clean_text)
- print("Tokens:", tokens)
复制代码 编码器模块
文本token化后,编码器将每个token转换为唯一的数值ID。此过程对于将数据输入呆板学习模型至关重要。
- class Encoder:
- def __init__(self):
- self.token_to_id = {}
- self.id_to_token = {}
- self.current_id = 0
- def build_vocabulary(self, tokens: list):
- for token in tokens:
- if token not in self.token_to_id:
- self.token_to_id[token] = self.current_id
- self.id_to_token[self.current_id] = token
- self.current_id += 1
- def encode(self, tokens: list) -> list:
- return [self.token_to_id[token] for token in tokens]
- def decode(self, ids: list) -> list:
- return [self.id_to_token[i] for i in ids]
- # Example usage
- # 示例用法
- encoder = Encoder()
- encoder.build_vocabulary(tokens)
- encoded_tokens = encoder.encode(tokens)
- print("Encoded tokens:", encoded_tokens)
复制代码 优化器模块
为确保分词过程高效执行,可集成优化器模块用于结果缓存和内存利用优化。该模块还可处理大型数据集的批量处理需求。
- class Optimizer:
- def __init__(self):
- self.cache = {}
- def cache_tokenization(self, text: str, tokens: list):
- self.cache[text] = tokens
- def get_cached_tokens(self, text: str):
- return self.cache.get(text, None)
- # Example usage
- # 示例用法
- optimizer = Optimizer()
- optimizer.cache_tokenization(clean_text, tokens)
- cached = optimizer.get_cached_tokens(clean_text)
- print("Cached tokens:", cached)
复制代码 构建完整分词器
整合上述模块后,我们构建一个完整的分词体系。以下类将预处理、分词、编码和优化整合为一个连贯体系:
- class Tiktokenizer:
- def __init__(self):
- self.preprocessor = Preprocessor()
- self.tokenizer = Tokenizer()
- self.encoder = Encoder()
- self.optimizer = Optimizer()
- def process(self, text: str):
- # Step 1: Normalize the text
- # 步骤 1:标准化文本
- normalized_text = self.preprocessor.normalize(text)
- # Step 2: Check for cached tokenization
- # 步骤 2:检查缓存的 token 化
- cached = self.optimizer.get_cached_tokens(normalized_text)
- if cached is not None:
- tokens = cached
- else:
- # Step 3: Tokenize the normalized text
- # 步骤 3:对标准化文本进行 token 化
- tokens = self.tokenizer.tokenize(normalized_text)
- self.optimizer.cache_tokenization(normalized_text, tokens)
- # Step 4: Build vocabulary and encode tokens
- # 步骤 4:构建词汇表并编码 token
- self.encoder.build_vocabulary(tokens)
- encoded_tokens = self.encoder.encode(tokens)
- return tokens, encoded_tokens
- # Example usage
- # 示例用法
- if __name__ == "__main__":
- sample_text = "Hello, how are you doing today? This is an example of Tiktokenizer in action."
- tiktokenizer = Tiktokenizer()
- tokens, encoded_tokens = tiktokenizer.process(sample_text)
- print("Final Tokens:", tokens)
- print("Final Encoded Tokens:", encoded_tokens)
复制代码 代码具体剖析
上述代码遵照严格的模块化设计理念:
预处理器确保输入文本经过清洗和标准化处理;分词器应用正则表达式将文本拆分为故意义的token单位;编码器为每个唯一token分配整数ID,同时构建词汇表;优化器缓存结果以制止重复计算相同输入。
每个模块都基于单一职责原则设计,使体系易于维护、测试和扩展。此架构严格遵照SOLID原则,确保可以在最小化影响的前提下集成到现有代码库,例如添加更高级的统计模型以加强分词本领。
体系架构可视化
为补充文字分析,下面提供几个图表,用于直观展示Tiktokenizer的架构和数据流程。这些图表采用基于AI的可视化方法生成,包括传统2D示意图和概念性3D表示,以加强明白清晰度。
体系架构图(2D视图)
此2D示意图展示了数据从原始输入文本经过预处理、分词、缓存直至最终编码为数值token的完整流程。每个模块功能明确,严格遵照单一职责原则。
概念性3D图示
采用三维结构展示体系层次,每层代表处理流程中的一个模块:
3D视图展现了Tiktokenizer的层级结构。架构中每一"层"都基于前一层的输出进行处理,夸大了分词过程既有序又模块化的特性。
模块交互概述
下图具体展示了各模块间的交互关系,包括错误处理和缓存机制:
此图具体形貌了模块间的内部通信机制,特别夸大了缓存体系如何通过制止重复输入的冗余处理来提升性能。
高级主题与优化策略
分词性能加强技术
随着NLP体系规模扩大至处理海量文本数据,性能优化变得尤为关键。Tiktokenizer集成了多种高级技术以提升速率和内存效率:
缓存与影象化技术通过存储先前处理结果,使体系能快速检索重复输入的token,无需重新计算。这种方法在对话体系或及时文天职析等应用场景中尤为有效,因为这些场景中经常出现相似输入内容。
并行处理策略适用于大规模数据集,通过将文天职块并同时处理,显着减少总处理时间。耽误评估技术则采用动态生成token的方式,而非一次性处理整个文本,从而节约内存并更高效处理流式数据。
内存与计算效率优化
处理大量文本时,高效内存管理至关重要。Tiktokenizer通过以下方式解决此问题:
Python生成器的应用使体系能够一次生成一个token,显着降低内存开销;批量处理策略可以平衡计算负载,制止一次性处理整个输入导致的资源压力;优化的数据结构如哈希映射用于缓存和查找操纵,确保即使在词汇量增长情况下,分词速率仍保持高效。
与现代NLP处理流程的集成
在当代NLP处理流程中,分词仅是浩繁环节之一。Tiktokenizer设计时考虑了与其他组件的无缝集成本领:
与嵌入层的配合,将token转换为捕获语义含义的麋集向量表示;作为Transformer架构的输入层,将token化的数据输入BERT、GPT或T5等模型;与数据加强管道协同,联合其他预处理技术如数据清洗和标准化,提高整体模型性能。
复杂脚本与边缘情况处理
非拉丁文字、混淆语言或特殊符号的文本处理对分词体系提出了重大挑战。Tiktokenizer的机动设计使其能够适应不同需求:
多语言输入处理本领,可调整分词边界以适应不利用空格作为分隔符的语言;心情符号和特殊字符识别机制,保留这些元素的语义意义;范畴特定文本处理本领,可为技术范畴(如编程语言、医学术语或法律文本)定制特殊分词规则。
代码详解与优化策略
本节将通过深入分析更高级的优化技术、性能分析策略和模块化设计模式,扩展前述代码示例。目的是展示如何改进Tiktokenizer架构以提升性能和代码清晰度。
模块深度分析
预处理器的核心目标是清理输入文本确保同等性。除根本标准化外,高级预处理大概涉及:
Unicode标准化处理,确保重音字符标准化(利用Unicode NFC或NFD形式);停用词过滤,可选择性移除语义价值低的常用词,这在某些NLP任务中特别有效;基于正则表达式的替换,以体系化方式处理特殊模式(如日期、电子邮件或URL)。
加强型预处理器实现示例:
- import unicodedata
- import re
- class EnhancedPreprocessor:
- def __init__(self, remove_stopwords: bool = False, stopwords: list = None):
- self.remove_stopwords = remove_stopwords
- self.stopwords = set(stopwords) if stopwords else set()
- # Precompile regex patterns for performance.
- # 预编译 regex 模式以提高性能。
- self.multispace_pattern = re.compile(r'\s+')
- self.email_pattern = re.compile(r'\S+@\S+')
- def normalize(self, text: str) -> str:
- # Convert text to Unicode NFC form
- # 将文本转换为 Unicode NFC 形式
- text = unicodedata.normalize('NFC', text)
- # Convert to lowercase and remove extraneous whitespace
- # 转换为小写并删除多余的空格
- text = text.lower().strip()
- text = self.multispace_pattern.sub(' ', text)
- return text
- def filter_stopwords(self, text: str) -> str:
- if not self.remove_stopwords or not self.stopwords:
- return text
- words = text.split()
- filtered_words = [word for word in words if word not in self.stopwords]
- return ' '.join(filtered_words)
- def preprocess(self, text: str) -> str:
- normalized = self.normalize(text)
- # Optionally, remove email addresses to reduce noise.
- # (可选)删除电子邮件地址以减少噪音。
- normalized = self.email_pattern.sub('', normalized)
- return self.filter_stopwords(normalized)
- # Example usage:
- # 示例用法:
- if __name__ == '__main__':
- preprocessor = EnhancedPreprocessor(remove_stopwords=True, stopwords=['the', 'and', 'is'])
- sample_text = "Contact us at info@example.com. The quick, brown fox jumps over the lazy dog!"
- processed_text = preprocessor.preprocess(sample_text)
- print("Enhanced Preprocessed Text:", processed_text)
复制代码 分词器模块是Tiktokenizer的核心。除了基础的正则表达式分割外,还可以集成子词分割算法(如字节对编码BPE),甚至利用神经网络进举措态分割。
支持子词分割的高级分词器实现示例:
- import re
- from collections import defaultdict
- class AdvancedTokenizer:
- def __init__(self, subword_vocab: dict = None):
- self.pattern = re.compile(r'\w+|[^\w\s]', re.UNICODE)
- # A sample subword vocabulary for demonstration
- # 用于演示的示例子词词汇表
- self.subword_vocab = subword_vocab or {'tikt': 1, 'oken': 2, 'izer': 3}
- def tokenize(self, text: str) -> list:
- # Initial splitting using regex.
- # 使用 regex 进行初始拆分。
- raw_tokens = self.pattern.findall(text)
- tokens = []
- for token in raw_tokens:
- # If token is longer than a threshold, apply subword segmentation.
- # 如果 token 长度超过阈值,则应用子词分割。
- if len(token) > 6:
- tokens.extend(self.subword_segmentation(token))
- else:
- tokens.append(token)
- return tokens
-
- def subword_segmentation(self, token: str) -> list:
- # A naive segmentation: try to split token into known subwords
- # 一种简单的分割:尝试将 token 拆分为已知的子词
- segments = []
- start = 0
- while start < len(token):
- found = False
- # Attempt to find the longest matching subword
- # 尝试找到最长的匹配子词
- for end in range(len(token), start, -1):
- candidate = token[start:end]
- if candidate in self.subword_vocab:
- segments.append(candidate)
- start = end
- found = True
- break
- if not found:
- # If no subword is found, default to character splitting.
- # 如果未找到子词,则默认为字符拆分。
- segments.append(token[start])
- start += 1
- return segments
- # Example usage:
- # 示例用法:
- if __name__ == '__main__':
- tokenizer = AdvancedTokenizer()
- sample_text = "Tiktokenizer dramatically improves tokenization."
- tokens = tokenizer.tokenize(sample_text.lower())
- print("Advanced Tokens:", tokens)
复制代码 在生产环境中,高效的词汇表映射和缓存机制对于减少重复计算工作至关重要,尤其是在处理大规模输入数据时。主要的加强功能包括:
动态词汇表更新,仅在遇到新token时才进行词汇表扩充;持久化缓存体系,可选择性将缓存结果保存到磁盘或快速内存数据库中,以便在高频率输入场景中复用。
加强型编码器实现示例:
- class DynamicEncoder:
- def __init__(self):
- self.token_to_id = {}
- self.id_to_token = {}
- self.current_id = 0
- def update_vocabulary(self, tokens: list):
- for token in tokens:
- if token not in self.token_to_id:
- self.token_to_id[token] = self.current_id
- self.id_to_token[self.current_id] = token
- self.current_id += 1
- def encode(self, tokens: list) -> list:
- self.update_vocabulary(tokens)
- return [self.token_to_id[token] for token in tokens]
- def decode(self, ids: list) -> list:
- return [self.id_to_token[i] for i in ids]
- # Example usage:
- # 示例用法:
- if __name__ == '__main__':
- encoder = DynamicEncoder()
- tokens = ['hello', ',', 'world', '!']
- encoded = encoder.encode(tokens)
- print("Dynamic Encoded Tokens:", encoded)
复制代码 为确保分词器高效运行,我们可以集成分析工具。Python内置模块如
和
能够提供关于性能瓶颈的深入洞察。
分析实现示例:
- import cProfile
- def tokenize_sample_text(text: str): preprocessor = EnhancedPreprocessor() tokenizer = AdvancedTokenizer() normalized = preprocessor.preprocess(text) tokens = tokenizer.tokenize(normalized) return tokensif __name__ == '__main__': sample_text = "This is a performance profiling test for Tiktokenizer. " * 1000 profiler = cProfile
- .Profile() profiler.enable() tokens = tokenize_sample_text(sample_text) profiler.disable() profiler.print_stats(sort='cumtime')
复制代码 这种分析设置使开辟职员能够识别哪些模块或函数消耗最多的时间,从而引导后续的优化工作。
现实应用案例研究
为了展示Tiktokenizer的功能和机动性,本节将探究几个将高级分词技术应用于现实场景的案例研究。
谈天呆板人性能加强
现代谈天呆板人需要快速而准确地明白用户输入。通过集成Tiktokenizer,谈天呆板人能够及时预处理自然语言,有效分解查询以提高相应准确性。
及时缓存机制:频繁扣问的问题在token化后被缓存,显着减少耽误;自适应词汇表:当谈天呆板人遇到特定范畴术语时,编码器动态更新词汇表;错误恢复本领:高级预处理能够净化嘈杂的用户输入(如俚语、拼写错误等)。
- class ChatbotTiktokenizer(Tiktokenizer):
- def __init__(self):
- super().__init__()
- # Enable advanced preprocessing for user inputs.
- # 启用高级预处理以用于用户输入。
- self.preprocessor = EnhancedPreprocessor(remove_stopwords=True, stopwords=['um', 'uh', 'like'])
- def process_chat_input(self, text: str):
- tokens, encoded = self.process(text)
- # Additional context-aware processing can be added here.
- # 可以在此处添加其他上下文感知处理。
- return tokens, encoded
- # Usage within a chatbot application:
- # 在聊天机器人应用程序中使用:
- if __name__ == '__main__':
- chatbot_tokenizer = ChatbotTiktokenizer()
- user_input = "Uh, hello there! Can you help me with my account issues?"
- tokens, encoded = chatbot_tokenizer.process_chat_input(user_input)
- print("Chatbot Tokens:", tokens)
复制代码 这些加强功能确保了谈天呆板人交互既高效又语义丰富。
代码分析与文档生成
开辟职员和代码分析工具可借助源代码token化识别语法元素、解释和变量名。Tiktokenizer可通过特定语言规则扩展,以适应编程语言处理需求。
语法高亮:token化能区分代码、解释和字符串;重构工具:token用作自动执行代码重构和文档生成工具的基础构件;错误检测:不平常的token模式可帮助标识潜伏的编码错误或异常。
- class CodeTokenizer(AdvancedTokenizer):
- def __init__(self):
- # Adjust regex to handle code syntax
- # 调整正则表达式以处理代码语法
- super().__init__()
- self.code_pattern = re.compile(r'\b\w+\b|[^\s\w]', re.UNICODE)
- def tokenize(self, code: str) -> list:
- tokens = self.code_pattern.findall(code)
- return tokens
- # Example usage:
- # 示例用法:
- if __name__ == '__main__':
- code_sample = """
- def hello_world():
- # This function prints Hello World
- # 此函数打印 Hello World
- print("Hello, World!")
- """
- code_tokenizer = CodeTokenizer()
- code_tokens = code_tokenizer.tokenize(code_sample)
- print("Code Tokens:", code_tokens)
复制代码 这种专业化实现展示了Tiktokenizer在处理非自然语言数据方面的适应性。
交际媒体与多语言数据分析
交际媒体平台包罗混淆语言输入、俚语和心情符号。准确token化此类内容对情感分析和趋势检测至关重要。
心情符号识别:特殊处理机制将心情符号视为单个故意义的token;多语言适应:分词器设置为适应具有不同单词边界规则的语言;噪声过滤:预处理包罗针对非信息字符和冗余标点符号的过滤器。
[code]class SocialMediaTokenizer(AdvancedTokenizer):
def __init__(self):
super().__init__()
# Include additional patterns for emojis.
# 包括表情符号的专用模式。
self.emoji_pattern = re.compile("["
u"\U0001F600-\U0001F64F" # emoticons
u"\U0001F300-\U0001F5FF" # symbols & pictographs
u"\U0001F680-\U0001F6FF" # transport & map symbols
u"\U0001F1E0-\U0001F1FF" # flags (iOS)
"]+", flags=re.UNICODE)
def tokenize(self, text: str) -> list:
# First tokenize normally, then add emoji tokens if present.
# 首先进行标准token化,然后添加表情符号token(如果存在)。
tokens = super().tokenize(text)
emojis = self.emoji_pattern.findall(text)
return tokens + emojis
# Example usage:
# 示例用法:
if __name__ == '__main__':
social_text = "Loving the vibes! |