【问题和解决《NLTK PYTHON》自然语言处理中文翻译版中的一处代码错误

    我也是一名NLP的新手，导师给了我们入门的学习资料，便是《Natural Language Processing with Python》的国内爱好者免费翻译的中文版。在中文版中，难免有一些小错误，大部分错误经过自己的稍微仔细研读可以改正过来。

    在这里发现了一处代码上的小错误，供大家分享。

在11.3数据采集中的“处理濒危语言时特别注意事项”小节里面，有一处将辅音字母顺序规范化的代码。这段代码其实并不难理解。但是在中文版的翻译中，可能是由于排版者的不小心疏忽，造成了排版错误。

在中文版的当中，这段代码是这样的：

>>>mappings= [('ph', 'f'), ('ght', 't'), ('^kn', 'n'), ('qu', 'kw'),
... ('[aeiou]+', 'a'), (r'(.)\1', r'\1')]
>>>def signature(word):
... for patt,repl in mappings:
... word= re.sub(patt, repl, word)
... pieces= re.findall('[âeiou]+', word)
... return ''.join(char for piecein pieces for charin sorted(piece))[:8]
>>>signature('illefent')
'lfnt'
>>>signature('ebsekwieous')
'bskws'
>>>signature('nuculerr')
'nclr'

关注pieces=re.findall…这一行，发现a上面多了一个^符号，这里是不正确的。

应该把这句代码写成pieces= re.findall('[^aeiou]+', word),学过正则表达式和读过这一段的读者们应该都知道为什么要这样改。

完整的代码如下：

>>> mappings = [('ph', 'f'), ('ght', 't'), ('^kn', 'n'), ('qu', 'kw'),
...             ('[aeiou]+', 'a'), (r'(.)\1', r'\1')]
>>> def signature(word):
...     for patt, repl in mappings:
...         word = re.sub(patt, repl, word)
...     pieces = re.findall('[^aeiou]+', word)
...     return ''.join(char for piece in pieces for char in sorted(piece))[:8]
>>> signature('illefent')
'lfnt'
>>> signature('ebsekwieous')
'bskws'
>>> signature('nuculerr')
'nclr'

再次感谢热心翻译作者为我们带来的入门经典作品！