NLP，忽略不相关的词

Question

我开发了一个简单的从单词中提取护照号码的工具（例如，输入 - '135 三十五零零得到输出 - 1353500）

但是如何过滤掉不相关的词，例如“ok”、“mhm”等？

例如，人类可以说“好的，它是 1353500”，机器人会从“好的”、“它”、“是”中提取一些无意义的数字，这很糟糕。问题是如何忽略那些非数字词？

Answer 1

这些基本上是停用词。要删除它们，您需要下载包含所有英文停用词的 nltk 包

from nltk.corpus import stopwords
w = stopwords.words('english')
#lets say data is a string which has your sentence
for word in w:
   if word in data:
       data.replace(word,'')