使用有限状态机原理实现英文分词

提出问题

使用Python开发一个英文句子分词程序，把一段英文句子切分为每一个单词。不能导入任何官方的或者第三方的库，也不能使用字符串的split()方法。

代码是如何一步一步恶化的

单词与空格

对于只有单词和空格，不含其他符号的英语句子，可以使用空格来切分单词。于是对于句子I am kingname, 一个字符一个字符的进行遍历。首先遍历到I，发现它是一个字母，于是把它存到一个变量word中，然后遍历到空格，于是把变量word的值添加到变量word_list中，再把word清空。接下来遍历到字母a，又把a放到变量word中。再遍历到m，发现它还是一个字母，于是把字母m拼接到变量word的末尾。此时变量word的值为am。再遍历到第二个空格，于是把word的值添加到word_list中，清空word。

最后，由于第三个单词kingname的末尾没有空格，所以需要手动把它添加到列表word_list中。

完整的代码如下：

def split(target):
    if not target:
        return []
    word_list = []
    word = ''
    for letter in target:
        if letter == ' ':
            word_list.append(word)
            word = ''
        else:
            word += letter
    return word_list


if __name__ == '__main__':
    sentence = 'I am kingname'
    result_word_list = split(sentence)
    print(result_word_list)

运行效果如下图所示。

单词空格与逗号句号

现在不仅仅只有单词和空格，还有逗号和句号。有这样一个句子："I am kingname,you should remember me."如果使用上一小节的程序，那么代码就会出现问题，如下图所示。

其中，"kingname,you"应该是两个单词，但是在这里变成了一个单词。所以现在不仅遇到空格要进行切分，遇到逗号句号还需要进行切分。那么对代码做一些修改，变成如下代码：

def split(target):
    if not target:
        return []
    word_list = []
    word = ''
    for letter in target:
        if letter in [' ', ',', '.']:
            word_list.append(word)
            word = ''
        else:
            word += letter
    if word:
        word_list.append(word)
    return word_list


if __name__ == '__main__':
    sentence = 'I am kingname,you should remember me.'
    result_word_list = split(sentence)
    print(result_word_list)

现在运行起来看上去没有问题了，如下图所示。

然而，有些人写英文的时候喜欢在标点符号右侧加一个空格，例如："I am kingname, you should remember me."这样小小的一修改，上面的代码又出问题了，如下图所示。

分词出来的结果里面凭空多出来一个空字符串。为了解决这个问题，再加一层判断，只有发现word不为空字符串的时候才把它加入到word_list中，代码继续修改：

def split(target):
    if not target:
        return []
    word_list = []
    word = ''
    for letter in target:
        if letter in [' ', ',', '.']:
            if not word:
                continue
            word_list.append(word)
            word = ''
        else:
            word += letter
    if word:
        word_list.append(word)
    return word_list


if __name__ == '__main__':
    sentence = 'I am kingname, you should remember me.'
    result_word_list = split(sentence)
    print(result_word_list)

代码看起来又可以正常工作了。如下图所示。

单词空格与各种标点符号

标点符号可不仅仅只有逗号句号。现在又出现了冒号分号双引号感叹号问号等等杂七杂八的符号。英文句子变为："I am kingname, you should say: "Kingname Oba" to me, will you?"

使用上面的代码，发现运行起来又出问题了。如下图所示。

为了能覆盖到所有的标点符号，现在修改一下逻辑。原来是“遇到空格/逗号/句号”就把word放到word_list中。现在要改为“如果当前字符不是字母，就把word放到word_list中”。于是代码进一步做修改：

constant = 'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'


def split(target):
    if not target:
        return []
    word_list = []
    word = ''
    for letter in target:
        if letter not in constant:
            if not word:
                continue
            word_list.append(word)
            word = ''
        else:
            word += letter
    if word:
        word_list.append(word)
    return word_list


if __name__ == '__main__':
    sentence = 'I am kingname, you should say: "Kingname Oba" to me, will you?'
    result_word_list = split(sentence)
    print(result_word_list)

代码修改以后又可以正常工作了，其运行效果如下图所示：

奇奇怪怪的单引号

如果双引号包含的句子里面还需要用到引号，那么就需要在内部使用单引号。例如有这样一个句子：“I am kingname, you should say: "Kingname Oba, I always remember your motto: 'kingname is genius'" to me, will you?”

使用前面的代码，运行起来似乎没有问题，如下图所示。

但是，单引号还有其他用途——有人喜欢把两个单词合并成一个单词，例如：

• "do not” == "don't"
• "is not" == "isn't"
• "I will" == "I'll"
• "I have" == "I've"

在这种情况下，就应该把单引号连接的两部分看作是一个单词，不应该把它们切开。

如果句子变成：I'm kingname, you should say: "Kingname Oba, I always remember your motto: 'kingname's genius'" to me, won't you?继续使用上面的代码，就发现返回的单词列表又不对了。如下图所示。

要解决这个问题，就需要确定单引号具体是做普通的引号来使用，还是放在缩写里使用。

作为普通单引号使用的时候，如果是前单引号，那么它的左边必定不是字母，如果作为后单引号，那么它的右边必定不是字母。而缩写里面的单引号，它左右两侧必定都是字母。并且需要注意，如果是句子里面第一个符号就是单引号，那么此时它左边没有字符；如果句子里面最后一个符号是单引号，那么它右边没有字符，此时如果使用下标来查找，就需要当心下标越界。

对代码进一步修改：

constant = 'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'


def split(target):
    if not target:
        return []
    word_list = []
    word = ''
    for index, letter in enumerate(target):
        if letter not in constant and letter != "'":
            if not word:
                continue
            word_list.append(word)
            word = ''
        elif letter == "'":
            if 0 < index < len(target) - 1 \
                    and target[index - 1] in constant \
                    and target[index + 1] in constant:
                word += letter
        else:
            word += letter
    if word:
        word_list.append(word)
    return word_list


if __name__ == '__main__':
    sentence = '''I'm kingname, you should say: "Kingname Oba, 
                  I always remember your motto: 'kingname's genius'" to me, won't you?'''
    result_word_list = split(sentence)
    for word in result_word_list:
        print(word)

现在代码又可以成功运行了，如下图所示。

但是请细看代码，现在已经混乱到难以阅读难以理解了。如果再增加一个连字符又怎么改？如果单词内部出现了两个单引号怎么改？这种为了增加一个功能，要把很多不相干代码也进行修改的编码方式，相信可以击中很多初学者甚至是不少自称为软件工程师的人。

状态转义图

根据分词逻辑，遇到各种符号应该怎么处理，画一个分词的状态转移图出来。

从这个图上可以看出来，其实程序只需要知道当前是什么状态，以及遇到什么字符需要转移到什么状态就可以了。没有必要知道自己是从哪个状态转移过来的，也没有必要知道和自己不相干的其他状态。

举一个例子：I'm kingname, you should say: "Kingname Oba, I always remember your motto: 'kingname's genius'" to me, won't you?这个句子中，should这个单词就是处于“单词状态”。它不在单引号内部，它也不是一个缩写。当我们对句子每个字符进行遍历的时候，遍历到“should”的“s”时进入“单词状态”，在单词状态，只需要关心接下来过来的下一个字符是什么，如果是字母，那依然是单词状态，把字母直接拼接上来即可。如果是单引号，那么进入“单引号在单词中状态”。至于“单引号在单词中状态”有什么逻辑，单词状态的代码根本不需要知道。这就像是接力赛，我把棒交给下一个人，我的任务就做完了，下一个人是跑到终点还是爬到终点，都和我没有关系。

这就是有限状态机FSM的原理。

使用状态机

根据这个原理，使用状态和转移关系来改写代码，就可以让代码的逻辑变得非常清晰。改进以后的代码如下：

class Spliter(object):
    def __init__(self):
        self.constant = 'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'
        self.state = '初始状态'
        self.word = ''
        self.word_list = []
        self.state_dict = {'初始状态': self.parse_init,
                           '单词状态': self.parse_word,
                           '单引号在单词中状态': self.parse_contraction}

    def parse_init(self, letter):
        if letter in self.constant:
            self.state = '单词状态'
            self.word += letter

    def parse_word(self, letter):
        if letter in self.constant:
            self.word += letter
        elif letter == "'":
            self.state = '单引号在单词中状态'
            self.word += "'"
        else:
            self.word_list.append(self.word)
            self.state = '初始状态'
            self.word = ''

    def parse_contraction(self, letter):
        if letter in self.constant:
            self.word += letter
            self.state = '单词状态'
        else:
            self.word_list.append(self.word[:-1])
            self.word = ''
            self.state = '初始状态'

    def split(self, target):
        for letter in target:
            self.state_dict[self.state](letter)

        return self.word_list

if __name__ == '__main__':
    spliter = Spliter()
    sentence = '''I'm kingname, you should say: "Kingname Oba, 
                      I always remember your motto: 'kingname's genius'" to me, won't you?'''
    print(spliter.split(sentence))

代码运行效果如下图所示。

需要注意的是，图中的代码只是使用了有限状态机的原理，而并非一个有限状态机。