本文主要介绍如何使用Torchtext读取文本数据集。

Torchtext是非官方的、一种为pytorch提供文本数据处理能力的库， 类似于图像处理库Torchvision。

Install
下载地址：https://github.com/text
安装：pip install text-master.zip
测试安装是否成功： import torchtext

How To Use
概览

先上一张图。使用tortext的目的是将文本转换成Batch，方便后面训练模型时使用。过程如下:

使用Field对象进行文本预处理， 生成example
使用Dataset类生成数据集dataset
使用Iterator生成迭代器
从图中还可以看到，torchtext可以生成词典vocab和词向量embedding，但个人比较喜欢将这两步放在数据预处理和模型里面进行，所以这两个功能不在本文之列。

常用的类
from torchtext.data import Field, Example, TabularDataset
from torchtext.data import BucketIterator

Field：用来定义字段以及文本预处理方法

Example: 用来表示一个样本，通常为“数据+标签”

TabularDataset: 用来从文件中读取数据，生成Dataset， Dataset是Example实例的集合

BucketIterator：迭代器，用来生成batch， 类似的有Iterator，Buckeiterator的功能较强大点，支持排序，动态padding等

使用步骤
创建Field对象

def x_tokenize(x):
# 如果加载进来的是已经转成id的文本
# 此处必须将字符串转换成整型
# 否则必须将use_vocab设为True
return [int(c) for c in x.split()]

def y_tokenize(y):
return int(y)

TEXT = Field(sequential=True, tokenize=x_tokenize,
use_vocab=False, batch_first=True,
fix_length=self.fix_length, 
eos_token=None, init_token=None,
include_lengths=True, pad_token=0)
LABEL = Field(sequential=False, tokenize=y_tokenize, use_vocab=False, batch_first=True)

参数说明
sequential 类型boolean, 作用：是否为序列，一般文本都为True，标签为False
tokenize 类型: function， 作用: 文本处理，默认为str.split(), 这里对x和y分别自定义了处理函数。
use_vocab： 类型: boolean， 作用：是否建立词典
batch_first：类型: boolean， 作用：为True则返回Batch维度为(batch_size， 文本长度), False 则相反
fix_length：类型: int, 作用：固定文本的长度，长则截断，短则padding，可认为是静态padding；为None则按每个Batch内的最大长度进行动态padding。
eos_token：类型：str, 作用: 句子结束字符
init_token：类型：str, 作用: 句子开始字符
include_lengths：类型: boolean， 作用：是否返回句子的原始长度，一般为True，方便RNN使用。
pad_token：padding的字符，默认为”“, 这里因为原始数据已经转成了int类型，所以使用0。注意这里的pad_token要和你的词典vocab里的“”的Id保持一致，否则会影响后面词向量的读取。
读取文件生成数据集
fields = [
("label", LABEL), ("text", TEXT)]

train, valid = TabularDataset.splits(
path=config.ROOT_DIR,
train=self.train_path, validation=self.valid_path,
format='tsv',
skip_header=False,
fields=fields)
return train, valid

生成迭代器
train_iter, val_iter = BucketIterator.splits((train, valid),
batch_sizes=(self.batch_size, self.batch_size),
device = torch.device("cpu"),
sort_key=lambda x: len(x.text), # field sorted by len
sort_within_batch=True,
repeat=False)

这里要注意的是sort_with_batch要设置为True，并指定排序的key为文本长度，方便后面pytorch RNN进行pack和pad。

我们来看下train_iter和val_iter里放了什么东西。

bi = BatchIterator(config.TRAIN_FILE, config.VALID_FILE, batch_size=1, fix_length=None)
train, valid  = bi.create_dataset()
train_iter, valid_iter = bi.get_iterator(train, valid)
batch = next(iter(train_iter))
print(train_iter)
print('batch:\n', batch)
print('batch_text:\n', batch.text)
print('batch_label:\n', batch.label)

结果为：

<torchtext.data.iterator.BucketIterator object at 0x7f04a9d845f8>
batch:
[torchtext.data.batch.Batch of size 1]
[.label]:[torch.LongTensor of size 1]
[.text]:('[torch.LongTensor of size 1x125]', '[torch.LongTensor of size 1]')
batch_text:
(tensor([[11149,  7772, 13752, 13743, 13773, 13793, 13791, 13591, 12478, 13759,
13783, 13492, 13793, 13745, 13754, 13612,  7452, 12185, 13789, 13784,
13765, 12451, 12112, 13620, 12240, 13073, 13790, 13738, 13637, 13759,
13776, 13793, 13739, 13783, 13787, 13793, 12702, 13790, 13698, 13774,
13792, 13768, 13715, 13641, 13761, 13713, 13682, 13712, 13786, 13749,
13097, 13734, 13702, 13735, 13257, 13642, 13700, 13793, 13684, 13755,
13488, 13789, 13750, 13484, 13494, 13793, 13624, 13670, 13786, 13655,
13768, 13687, 13774, 13792, 13791, 13591, 13546, 13777, 13658, 13740,
13577, 13790, 13684, 13755, 13793, 13572, 12891, 13793, 13368, 13713,
13682, 13712, 13786, 13786, 13642, 13700, 13793, 13429, 13520, 13613,
13792, 13368, 13790, 13750, 13699, 13764, 13590, 13675, 13742, 13691,
13688, 13742, 13782, 13538, 13742, 13783, 13787, 13774, 13645, 13742,
13791, 13740, 13744, 13750, 13792]]), tensor([125]))
batch_label:
tensor([11])

可以看到batch有两个属性，分别为label和text, text是一个元组，第一个元素为文本，第二个元素为文本原始长度（这里因为我们在定义TEXT时使用了include_lengths=True，否则这里只返回文本）， label则是标签。

这里为了方便展示只使用了一个batch，返回的batch维度为（batch_size * length）, 数据格式为LongTensor。如果想看动态padding的效果，可多取几个batch，会发现他们是按照长度进行排序，并且是以0进行padding的。

对Batch包装一下，方便调用
通过以上步骤，我们能够得到一个batch。但是很快就发现有个不太方便的地方。我们只能通过batch的属性，即自定义的字段名称，如text和label，来访问数据。这样的话在训练时我们只能这样操作：

for e in range(num_epoch):
for batch in train_iter:
inputs = batch.text[0]
label = batch.label
length = batch.text[1]
pass

万一这个字段改了，还要去改训练的代码，很麻烦，关键是显得很LOW，姿势不对。

怎么办呢？

我们对获得的iter进行包装一下，就可以避免这个问题了。

class BatchWrapper(object):
"""对batch做个包装，方便调用，可选择性使用"""
def __init__(self, dl, x_var, y_vars):
self.dl, self.x_var, self.y_vars = dl, x_var, y_vars

def __iter__(self):
for batch in self.dl:
x = getattr(batch, self.x_var)

if self.y_vars is not None:
temp = [getattr(batch, feat).unsqueeze(1) for feat in self.y_vars]
label = torch.cat(temp, dim=1).long()
else:
raise ValueError('BatchWrapper: invalid label')
text = x[0]
length = x[1]
yield (text, label, length)

def __len__(self):
return len(self.dl)

我们这样使用：

train_iter = BatchWrapper(train_iter, x_var=self.x_var, y_vars=self.y_vars)
val_iter = BatchWrapper(val_iter, x_var=self.x_var, y_vars=self.y_vars)

这样你就会发现batch不再有text和label属性了，而是一个三元组（text， label， length），调用时

就可以采用如下优雅一点的姿势：

for e in range(num_epoch):
for inputs, label, length in train_iter:
pass

完整代码