0Pricing
NLP Academy · Lección

Trucos de tokenización con Regex

Dividir el texto exactamente como desea

Trucos de tokenización con Regex es una lección gratuita de NLP Academy en CoddyKit. Esta es la lección 4 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de NLP Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de NLP Academy incluye 4 lecciones en total.

Partes de esta lección aún no han sido traducidas y se muestran en inglés.

Tokenizing With Patterns

You can tokenize text by describing what a token looks like, then letting regex find every piece that fits your definition.

Match Words Directly

The pattern \w+ with findall grabs every run of word characters, giving you a clean list of words and ignoring the spaces between them.

re.findall("\w+", "Hello, world!")

Split Instead of Match

The re.split function breaks text wherever a pattern appears. Splitting on whitespace turns a sentence into a list of rough tokens fast.

re.split("\s+", "one  two three")

Split on Multiple Separators

With a character class, re.split can break on many separators at once, like spaces, commas, and semicolons in a single sweep.

re.split("[ ,;]+", "a, b;c d")

Keep Punctuation as Tokens

Sometimes punctuation matters. A pattern like \w+|[^\w\s] captures words and lone symbols separately, so nothing is silently dropped.

The Alternation Operator

The pipe means or. The pattern cat|dog matches either word, letting one regex describe several token shapes you care about.

re.findall("cat|dog", "a dog, a cat")

Match Numbers and Decimals

Numbers need their own rule. The pattern \d+\.?\d* matches whole numbers and decimals, so prices and amounts stay together as one token.

re.findall("\d+\.?\d*", "buy 3 for 4.50")

Handle Contractions

Naive splitting wrecks words like do not in its short form. A smarter token pattern can keep apostrophes inside a word where they belong.

Word Boundaries Help

The \b anchor marks a word boundary, the edge between a word and a non-word. It helps you grab whole words without grabbing neighbors.

Build a Token Pattern

A practical tokenizer often combines rules with alternation: match URLs, then numbers, then words, then symbols, in priority order.

Compile for Speed

If you reuse a pattern a lot, re.compile turns it into a reusable object. It reads cleaner and runs faster across many strings.

tok = re.compile("\w+")

Quick Check

You want to break a string anywhere one or more spaces appear. Which function fits best?

Recap: Regex Tokenizers

You used findall, split, alternation, and compile to turn raw text into exactly the tokens you want. Regex gives you full control. 🎯

Preguntas frecuentes

¿La lección «Trucos de tokenización con Regex» es gratis?

Sí — el texto completo de «Trucos de tokenización con Regex» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de NLP Academy, actualiza a CoddyKit PRO. El curso de NLP Academy incluye 4 lecciones en total.

¿Qué aprenderé en «Trucos de tokenización con Regex»?

Dividir el texto exactamente como desea Practicas NLP Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.

¿Necesito experiencia previa para empezar NLP Academy?

No se requiere experiencia previa. NLP Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 4 de 4.

¿Cuánto tiempo toma la lección «Trucos de tokenización con Regex»?

La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.

¿Puedo escribir y ejecutar código en esta lección de NLP Academy?

Sí. Cada lección de NLP Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.

Todas las lecciones de este curso

  1. Regex en 5 minutos
  2. Búsqueda de correos electrónicos y URL
  3. Grupos de captura y reemplazos
  4. Trucos de tokenización con Regex
← Volver a NLP Academy