Solución:
nltk.ne_chunk
devuelve un anidado nltk.tree.Tree
objeto por lo que tendría que atravesar el Tree
objeto para llegar a los NE.
Eche un vistazo a Reconocimiento de entidades nombradas con expresión regular: NLTK
>>> from nltk import ne_chunk, pos_tag, word_tokenize
>>> from nltk.tree import Tree
>>>
>>> def get_continuous_chunks(text):
... chunked = ne_chunk(pos_tag(word_tokenize(text)))
... continuous_chunk = []
... current_chunk = []
... for i in chunked:
... if type(i) == Tree:
... current_chunk.append(" ".join([token for token, pos in i.leaves()]))
... if current_chunk:
... named_entity = " ".join(current_chunk)
... if named_entity not in continuous_chunk:
... continuous_chunk.append(named_entity)
... current_chunk = []
... else:
... continue
... return continuous_chunk
...
>>> my_sent = "WASHINGTON -- In the wake of a string of abuses by New York police officers in the 1990s, Loretta E. Lynch, the top federal prosecutor in Brooklyn, spoke forcefully about the pain of a broken trust that African-Americans felt and said the responsibility for repairing generations of miscommunication and mistrust fell to law enforcement."
>>> get_continuous_chunks(my_sent)
['WASHINGTON', 'New York', 'Loretta E. Lynch', 'Brooklyn']
>>> my_sent = "How's the weather in New York and Brooklyn"
>>> get_continuous_chunks(my_sent)
['New York', 'Brooklyn']
También puede extraer el label
de cada Entidad de nombre en el texto usando este código:
import nltk
for sent in nltk.sent_tokenize(sentence):
for chunk in nltk.ne_chunk(nltk.pos_tag(nltk.word_tokenize(sent))):
if hasattr(chunk, 'label'):
print(chunk.label(), ' '.join(c[0] for c in chunk))
Producción:
GPE WASHINGTON
GPE New York
PERSON Loretta E. Lynch
GPE Brooklyn
Puedes ver Washington
, New York
y Brooklyn
están GPE
medio entidades geopolíticas
y Loretta E. Lynch
es un PERSON
use tree2conlltags de nltk.chunk. También ne_chunk necesita etiquetado pos que etiqueta tokens de palabra (por lo tanto, necesita word_tokenize).
from nltk import word_tokenize, pos_tag, ne_chunk
from nltk.chunk import tree2conlltags
sentence = "Mark and John are working at Google."
print(tree2conlltags(ne_chunk(pos_tag(word_tokenize(sentence))
"""[('Mark', 'NNP', 'B-PERSON'),
('and', 'CC', 'O'), ('John', 'NNP', 'B-PERSON'),
('are', 'VBP', 'O'), ('working', 'VBG', 'O'),
('at', 'IN', 'O'), ('Google', 'NNP', 'B-ORGANIZATION'),
('.', '.', 'O')] """
Esto le dará una lista de tuplas: [(token, pos_tag, name_entity_tag)]
Si esta lista no es exactamente lo que desea, ciertamente es más fácil analizar la lista que desea de esta lista que un árbol nltk.
Código y detalles de este enlace; échale un vistazo para obtener más información
También puedes continuar extrayendo solo las palabras, con la siguiente función:
def wordextractor(tuple1):
#bring the tuple back to lists to work with it
words, tags, pos = zip(*tuple1)
words = list(words)
pos = list(pos)
c = list()
i=0
while i<= len(tuple1)-1:
#get words with have pos B-PERSON or I-PERSON
if pos[i] == 'B-PERSON':
c = c+[words[i]]
elif pos[i] == 'I-PERSON':
c = c+[words[i]]
i=i+1
return c
print(wordextractor(tree2conlltags(nltk.ne_chunk(nltk.pos_tag(nltk.word_tokenize(sentence))))
Editar Cadena de documentos de salida agregada ** Editar * Salida agregada solo para B-Person