NLP（八） 创建自然语言处理管道

原文链接：http://www.one2know.cn/nlp8/

• 一条管道可以被看作一个多阶段的数据流系统，其中一个组件的输出被视为另一个组件的输入
• 管道特点：

1. 数据始终从一个组件流向另一个组件
2. 组件是一个只考虑输入和输出数据的黑盒

• NLP管道应有的功能：

1. 采集输入数据
2. 对输入数据进行分词
3. 识别输入数据中单词的词性
4. 从单词中抽取命名实体
5. 识别命名实体之间的关系

import nltk
import threading # 轻量级任务的线程库
import queue #可在多线程程序中使用的队列库
import feedparser # RSS源解析库
import uuid # 基于RFC-4122的uuid版本1，3，4，5的生成库

threads = [] # 创建一个空列表来跟踪程序中的所有线程
queues = [queue.Queue(),queue.Queue()] # 创建一个包含两个队列对象的列表
# 第一个队列：存储分词后的句子
# 第二个队列：存储所有标注过词性的单词

def extractWords():
    url = 'http://sports.yahoo.com/mlb/rss.xml'
    feed = feedparser.parse(url)
    for entry in feed['entries'][:5]:
        text = entry['title'] # 标题存到text里
        if 'ex' in text: # 跳过包含敏感词的标题，有ex存在就不处理了
            continue
        words = nltk.word_tokenize(text) # 将标题分词
        data = {'uuid':uuid.uuid4(),'input':words} # 两个键值对，存储UUID和输入的单词
        queues[0].put(data,True) # 将字典放到第一个队列
        print(">> {} : {}".format(data['uuid'],text))

# 从第一个队列读取数据，并处理数据，将这些单词的词性保存在第二个队列中
def extractPOS():
    while True: # 无限循环，直到第一个队列为空
        if queues[0].empty():
            break
        else:
            data = queues[0].get()
            words = data['input']
            postags = nltk.pos_tag(words)
            queues[0].task_done() # 已经处理完毕由此线程获取的条目
            # 将标注词性的单词列表存储在第二个队列
            queues[1].put({'uuid':data['uuid'],'input':postags},True)

# 从第二个队列读取数据，即处理标注词性后的词，并在屏幕打印命名实体
def extractNE():
    while True: # 无限循环，直到第二个队列为空
        if queues[1].empty():
            break
        else:
            data = queues[1].get()
            postags = data['input']
            queues[1].task_done()
            # 将postags中的命名实体抽取出来存入chunks中
            chunks = nltk.ne_chunk(postags,binary=False)
            print(" << {} : ".format(data['uuid']),end='')
            for path in chunks:
                try:
                    label = path.label()
                    print(path,end=', ')
                except:
                    pass
            print()

def runProgram():
    # 启动该线程，并将该线程放到队列
    e = threading.Thread(target=extractWords())
    e.start()
    threads.append(e)

    p = threading.Thread(target=extractPOS())
    p.start()
    threads.append(p)

    n = threading.Thread(target=extractNE())
    n.start()
    threads.append(n)

    # 将在所有工作处理完毕后释放分配给queues资源
    queues[0].join()
    queues[1].join()

    # 遍历线程列表，将当前的线程对象存储在t中
    for t in threads:
        t.join() # 标记线程的完成，并释放分配给线程的资源

if __name__ == "__main__":
    runProgram()

输出：

>> be849c82-41cf-4e98-ac32-9766a199e763 : The Bandwagon: All-Stars, America and more
>> 690c174d-a365-4b8a-8712-abd222f13902 : Cards regain power, look for series win vs. Mariners
>> e75f4270-8922-4eab-b688-69e34e387c6f : Yankees look to continue success against Rays
>> f829392a-3702-45bb-bff8-d35261dfa03b : Recap: STL 5, SEA 2
>> ad953f96-21ac-46ea-979d-78086efb964c : Pirates going for 4-game sweep of Cubs
 << be849c82-41cf-4e98-ac32-9766a199e763 : (GPE America/NNP),
 << 690c174d-a365-4b8a-8712-abd222f13902 :
 << e75f4270-8922-4eab-b688-69e34e387c6f : (ORGANIZATION Yankees/NNS), (PERSON Rays/NNP),
 << f829392a-3702-45bb-bff8-d35261dfa03b : (GPE Recap/NN), (ORGANIZATION SEA/NNP),
 << ad953f96-21ac-46ea-979d-78086efb964c : (GPE Cubs/NNP),