TypeError:必须是unicode，而不是NLTK中的字符串

Question

我使用的是python2.7、nltk 3.2.1和python-crfsuite 0.8.4。我正在关注这个页面: nltk.tag.crf模块的http://www.nltk.org/api/nltk.tag.html?highlight=stanford#nltk.tag.stanford.NERTagger。

首先，我只运行以下代码

from nltk.tag import CRFTagger
ct = CRFTagger()
train_data = [[('dfd','dfd')]]
ct.train(train_data,"abc")

我也试过了

f = open("abc","wb")
ct.train(train_data,f)

但是我得到了以下错误，

  File "C:\Python27\lib\site-packages\nltk\tag\crf.py", line 129, in <genexpr>
    if all (unicodedata.category(x) in punc_cat for x in token):
TypeError: must be unicode, not str

Answer 1

在Python2中，正则引号'...'或"..."创建字节字符串。要获取Unicode字符串，请在字符串之前使用u前缀，如u'dfd'。

要从文件中读取，您需要指定一个编码。有关选项，请参阅Backporting Python 3 open(encoding="utf-8") to Python 2；最直接的做法是将open()替换为io.open()。

要转换现有的字符串，请使用unicode()方法；尽管通常需要使用decode()并提供一种编码。

对于(更多)更多细节，推荐阅读内德·巴切尔德的“实用主义统一码”幻灯片，如果不是完全必读的话；http://nedbatchelder.com/text/unipain.html