3.4 转换数据格式

已标注语言数据很少以最方便的格式保存，往往需要进行各种格式转换。字符编码之间的转换已经讨论过（见3.3）。在这里，我们专注于数据结构。

最简单的情况，输入和输出格式是同构的。例如，我们可能要将词汇数据从 Toolbox 格式转换为 XML，可以直接一次一个的转换词条（4）。数据结构反映在所需的程序的结构中：一个for循环，每次循环处理一个词条。

另一种常见的情况，输出是输入的摘要形式，如一个倒置的文件索引。有必要在内存中建立索引结构（见4.8），然后把它以所需的格式写入一个文件。下面的例子构造一个索引，映射字典定义的词汇到相应的每个词条的语意，已经对定义文本分词，并丢弃短词。一旦该索引建成，我们打开一个文件，然后遍历索引项，以所需的格式输出行。

>>> idx = nltk.Index((defn_word, lexeme) ![[1]](/projects/nlp-py-2e-zh/Images/346344c2e5a627acfdddf948fb69cb1d.jpg)
...                  for (lexeme, defn) in pairs ![[2]](/projects/nlp-py-2e-zh/Images/f9e1ba3246770e3ecb24f813f33f2075.jpg)
...                  for defn_word in nltk.word_tokenize(defn) ![[3]](/projects/nlp-py-2e-zh/Images/13f25b9eba42f74ad969a74cee78551e.jpg)
...                  if len(defn_word) > 3) ![[4]](/projects/nlp-py-2e-zh/Images/92cc2e7821d464cfbaaf651a360cd413.jpg)
>>> with open("dict.idx", "w") as idx_file:
...     for word in sorted(idx):
...         idx_words = ', '.join(idx[word])
...         idx_line = "{}: {}".format(word, idx_words) ![[5]](/projects/nlp-py-2e-zh/Images/63a8e4c47e813ba9630363f9b203a19a.jpg)
...         print(idx_line, file=idx_file)

由此产生的文件dict.idx包含下面的行。（如果有更大的字典，我们希望找到每个索引条目中列出的多个语意）。

body: sleep
cease: wake
condition: sleep
down: walk
each: walk
foot: walk
lifting: walk
mind: sleep
progress: walk
setting: walk
sleep: wake