blocks|key|1947077|text|默认情况下，这两个函数都只支持英文文本。它并不在文档中，但您可以通过查看源代码来查看：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1947078|1947079|+pos_tag()函数从这个文件加载一个标记器：'taggers/maxent_treebank_pos_tagger/english.pickle'。(see+here)|ordered-list-item|offset|length|style|CODE|1947080|The+word_tokenize()函数使用Treebank标记器，该标记器使用正则表达式来标记化文本，就像在(英语)+Penn+Treebank语料库中一样。(see+here)|1947081|1947082|entityMap|0|LINK|mutability|MUTABLE|url|http://nltk.org/_modules/nltk/tag.html#pos_tag|1|http://nltk.org/api/nltk.tokenize.html?highlight=treebankwordtokenizer#nltk.tokenize.treebank.TreebankWordTokenizer^0|0|0|1|9|P|1F|26|8|0|0|4|F|2A|8|1|0|0^^$0|@$1|2|3|4|5|6|7|W|8|@]|9|@]|A|$]]|$1|B|3|-4|5|6|7|X|8|@]|9|@]|A|$]]|$1|C|3|D|5|E|7|Y|8|@$F|Z|G|10|H|I]|$F|11|G|12|H|I]]|9|@$F|13|G|14|1|15]]|A|$]]|$1|J|3|K|5|E|7|16|8|@$F|17|G|18|H|I]]|9|@$F|19|G|1A|1|1B]]|A|$]]|$1|L|3|-4|5|6|7|1C|8|@]|9|@]|A|$]]|$1|M|3|-4|5|6|7|1D|8|@]|9|@]|A|$]]]|N|$O|$5|P|Q|R|A|$S|T]]|U|$5|P|Q|R|A|$S|V]]]]

By default, both functions only support English text. It's not really in the documentation but you can see it by looking at the source code:

<ol>
<li>The <code>pos_tag()</code> function loads a tagger from the this file: <code>'taggers/maxent_treebank_pos_tagger/english.pickle'</code>. (<a href="http://nltk.org/_modules/nltk/tag.html#pos_tag" rel="nofollow">see here</a>)</li>
<li>The <code>word_tokenize()</code> function uses the Treebank tokenizer which uses regular expressions to tokenize text as in the (English) Penn Treebank Corpus. (<a href="http://nltk.org/api/nltk.tokenize.html?highlight=treebankwordtokenizer#nltk.tokenize.treebank.TreebankWordTokenizer" rel="nofollow">see here</a>)</li>
</ol>

blocks|key|5780637|text|NLTK标记器支持的语言列表如下：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|5780638|5780639|'czech'|unordered-list-item|5780640|'danish'|5780641|'dutch'|5780642|'english'|5780643|'estonian'|5780644|'finnish'|5780645|'french'|5780646|'german'|5780647|'greek'|5780648|'italian'|5780649|'norwegian'|5780650|'polish'|5780651|'portuguese'|5780652|'russian'|5780653|'slovene'，|5780654|'spanish'|5780655|'swedish'|5780656|'turkish'|5780657|5780658|它对应于存储在C:\Users\XXX\AppData\Roaming\nltk_data\tokenizers\punkt中的泡菜(在Windows中)。这是在标记化时使用关键字'language‘输入的内容，例如|5780659|nltk.word_tokenize(text,+language='italian')|code-block|syntax|javascript|5780660|entityMap^0|0|0|0|0|0|0|0|0|0|0|0|0|0|0|0|0|0|0|0|0|0|0|0^^$0|@$1|2|3|4|5|6|7|1N|8|@]|9|@]|A|$]]|$1|B|3|-4|5|6|7|1O|8|@]|9|@]|A|$]]|$1|C|3|D|5|E|7|1P|8|@]|9|@]|A|$]]|$1|F|3|G|5|E|7|1Q|8|@]|9|@]|A|$]]|$1|H|3|I|5|E|7|1R|8|@]|9|@]|A|$]]|$1|J|3|K|5|E|7|1S|8|@]|9|@]|A|$]]|$1|L|3|M|5|E|7|1T|8|@]|9|@]|A|$]]|$1|N|3|O|5|E|7|1U|8|@]|9|@]|A|$]]|$1|P|3|Q|5|E|7|1V|8|@]|9|@]|A|$]]|$1|R|3|S|5|E|7|1W|8|@]|9|@]|A|$]]|$1|T|3|U|5|E|7|1X|8|@]|9|@]|A|$]]|$1|V|3|W|5|E|7|1Y|8|@]|9|@]|A|$]]|$1|X|3|Y|5|E|7|1Z|8|@]|9|@]|A|$]]|$1|Z|3|10|5|E|7|20|8|@]|9|@]|A|$]]|$1|11|3|12|5|E|7|21|8|@]|9|@]|A|$]]|$1|13|3|14|5|E|7|22|8|@]|9|@]|A|$]]|$1|15|3|16|5|E|7|23|8|@]|9|@]|A|$]]|$1|17|3|18|5|E|7|24|8|@]|9|@]|A|$]]|$1|19|3|1A|5|E|7|25|8|@]|9|@]|A|$]]|$1|1B|3|1C|5|E|7|26|8|@]|9|@]|A|$]]|$1|1D|3|-4|5|6|7|27|8|@]|9|@]|A|$]]|$1|1E|3|1F|5|6|7|28|8|@]|9|@]|A|$]]|$1|1G|3|1H|5|1I|7|29|8|@]|9|@]|A|$1J|1K]]|$1|1L|3|-4|5|6|7|2A|8|@]|9|@]|A|$]]]|1M|$]]

The list of the languages supported by the NLTK tokenizer is as follows:
<ul>
<li>'czech'</li>
<li>'danish'</li>
<li>'dutch'</li>
<li>'english'</li>
<li>'estonian'</li>
<li>'finnish'</li>
<li>'french'</li>
<li>'german'</li>
<li>'greek'</li>
<li>'italian'</li>
<li>'norwegian'</li>
<li>'polish'</li>
<li>'portuguese'</li>
<li>'russian'</li>
<li>'slovene',</li>
<li>'spanish'</li>
<li>'swedish'</li>
<li>'turkish'</li>
</ul>
It corresponds to the pickles stored in C:\Users\XXX\AppData\Roaming\nltk_data\tokenizers\punkt (in Windows). This is what you enter with the key 'language' when tokenizing, e.g.
<pre><code>nltk.word_tokenize(text, language='italian')
</code></pre>

I need to conduct name entity extraction for text in multiple languages: spanish, portuguese, greek, czech, chinese.

Is there somewhere a list of all supported languages for these two functions? And is there a method to use other corpora so that these languages can be included?

What languages are supported for nltk.word_tokenize and nltk.pos_tag

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我需要对多种语言的文本进行名称实体提取:西班牙语、葡萄牙语、希腊语、捷克语、中文。有没有这两个函数支持的所有语言的列表？有没有一种方法可以使用其他语料库，以便将这些语言包括在内？

问nltk.word_tokenize和nltk.pos_tag支持哪些语言
EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问nltk.word_tokenize和nltk.pos_tag支持哪些语言EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问nltk.word_tokenize和nltk.pos_tag支持哪些语言
EN