【NLP】Python NLTK处理原始文本

Python NLTK 处理原始文本

作者：白宁超

2016年11月8日22:45:44

摘要：NLTK是由宾夕法尼亚大学计算机和信息科学使用python语言实现的一种自然语言工具包，其收集的大量公开数据集、模型上提供了全面、易用的接口，涵盖了分词、词性标注(Part-Of-Speech tag, POS-tag)、命名实体识别(Named Entity Recognition, NER)、句法分析(Syntactic Parse)等各项 NLP 领域的功能。本文主要介绍：1）怎样编写程序访问本地和网络上的文件，从而获得无限的语言材料？2）如何把文档分割成单独的单词和标点符号，并进行文本语料上的分析？3）怎样编写程序产生格式化输出，并把结果保存在文件中？关于Python基础知识可以参看本人的【Python五篇慢慢弹】系列文章（本文原创编著，转载注明出处:Python NLTK处理原始文本）

目录

---

【Python NLP】干货！详述Python NLTK下如何使用stanford NLP工具包(1)

【Python NLP】Python 自然语言处理工具小结(2)

【Python NLP】Python NLTK 走进大秦帝国(3)

【Python NLP】Python NLTK获取文本语料和词汇资源(4)

【Python NLP】Python NLTK处理原始文本(5)

关于处理原始文本部分导入语句：

>>> from __future__ import division
>>> import nltk,re,pprint

1 从网络和硬盘访问文本（在线获取伤寒杂病论）

---

python网络访问程序：

>>> from __future__ import division
>>> import nltk,re,pprint
>>> from urllib.request import urlopen
>>> url=r'http://www.gutenberg.org/files/24272/24272-0.txt'
>>> raw=urlopen(url).read()
>>> raw = raw.decode('utf-8')
>>> len(raw)
70306
>>> raw[2000:2500]

运行结果：

对其中文分词：

>>> from nltk.tokenize import StanfordSegmenter
>>> segmenter = StanfordSegmenter(
    path_to_jar=r"E:\tools\stanfordNLTK\jar\stanford-segmenter.jar",
    path_to_slf4j=r"E:\tools\stanfordNLTK\jar\slf4j-api.jar",
    path_to_sihan_corpora_dict=r"E:\tools\stanfordNLTK\jar\data/",
    path_to_model=r"E:\tools\stanfordNLTK\jar\data\pku.gz",
    path_to_dict=r"E:\tools\stanfordNLTK\jar\data\dict-chris6.ser.gz"
)
>>> result = segmenter.segment(raw)
>>> result[1000:2500]

分词结果：

2 在线获取处理HTML文本(红楼梦)

---

在线获取html文本资料：

>>> import re,nltk
>>> from urllib.request import urlopen
>>> url='http://www.gutenberg.org/cache/epub/24264/pg24264-images.html'
>>> html=urlopen(url).read()
>>> html=html.decode('utf-8')
>>> html[5000:5500]

运行结果：

相关正则知识：

1. \d  匹配一个数字
2. \w 匹配一个字母或者数字
3. *  任意个字符（包括0个），
4. +  至少一个字符
5. ?  0个或1个字符
6. {n} n个字符
7. {n,m} n-m个字符
8. \s 匹配一个空格
9. \s+ 至少有一个空格
10. \d{3,8} 表示3-8个数字，例如'1234567'
11. \d{3}\s+\d{3,8}
12. [0-9a-zA-Z\_] 匹配一个数字、字母或者下划线
13. [0-9a-zA-Z\_]+ 匹配至少由一个数字、字母或者下划线组成的字符串，
14. 比如'a100'，'0_Z'，'Py3000'等等；
15. [a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量
16. [a-zA-Z\_][0-9a-zA-Z\_]{0, 19}更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）
17. A|B可以匹配A或B，所以(P|p)ython可以匹配'Python'或者'python'
18. ^表示行的开头，^\d表示必须以数字开头
19. $表示行的结束，\d$表示必须以数字结束

正则表达式进行数据清洗：

>>> len(html)
962651
>>> strhtml=re.sub("[\s+\.\!\/_,$%^*(+\"\']+|[+——！，。？?、~@#￥%……&*（）]+|[A-Za-z0-9]+","",html)#去掉中英文符号
>>> len(strhtml)
781150
>>> strhtml[5000:5500]

清洗后结果：

红楼梦进行中文分词

>>> # 红楼梦进行中文分词
>>> from nltk.tokenize import StanfordSegmenter
>>> segmenter = StanfordSegmenter(
    path_to_jar=r"E:\tools\stanfordNLTK\jar\stanford-segmenter.jar",
    path_to_slf4j=r"E:\tools\stanfordNLTK\jar\slf4j-api.jar",
    path_to_sihan_corpora_dict=r"E:\tools\stanfordNLTK\jar\data/",
    path_to_model=r"E:\tools\stanfordNLTK\jar\data\pku.gz",
    path_to_dict=r"E:\tools\stanfordNLTK\jar\data\dict-chris6.ser.gz"
)
>>> result = segmenter.segment(raw)

查找分析：查找“曰”后面的内容

re.findall(r'(曰.{,3})',strhtml)

备注：处理搜索引擎的结果：基于自己配置的搜索引擎处理

3 处理RSS订阅

---

>>> import feedparser #feedparser需要在python库中下载
>>> llog=feedparser.parse(url)

4 读取本地文件:strip()方法删除输入行结尾的换行符

---

方法一：

>>> f=open(r"E:\dict\q0.txt","r")
>>> for line in f:
	print(line.strip())

方法二：

>>> with open(r"C:\Users\cuitbnc\Desktop\dqdg.txt","r+") as f:
    str=f.read()

方法三：

>>> import nltk
>>> path=nltk.data.find(r'C:\Users\cuitbnc\Desktop\dqdg.txt')
>>> raw=open(path,'rU').read()
>>> len(raw)
673167
>>>

PDF或者MSWord以及其他二进制提取文本，利用第三方函数库pypdf和pywin32

>>> raw=open(r"E:\dict\q0.txt","r").read()
>>> tokens=nltk.word_tokenize(raw)
>>> words=[w for w in tokens]
>>> vocab=sorted(set(words))
>>> vocab

5 字符串：最底层的文本处理

---

有用的字符串方法：

• s.find(t)  字符串s中包含t的第一个索引s.rfind(t)  字符串s中包含t的最后一个索引
• s.index(t)  与s.find(t)类似
• s.rindex(t)  与s.rfind(t)类似
• s.join(text)
• s.split(t)  字符串分割
• s.splitlines()
• s.lower()
• s.upper()
• s.titlecase() s首字母大写
• s.strip()  返回一个没有首尾空白字符的s的复制
• s.replace(t,u) 用u替换s中的t

链表和字符串的差异：字符串和链表都是一种序列，可以通过索引抽取他们一部分，可以切片，可以合并。但是，链表和字符串不能连接

6 使用Unicode进行文字处理

---

解码：文件中的文本都有特定的编码，需要一些机制将文本翻译成Unicode的过程就是解码。 编码:将Uniocde写入一个文件或者终端，首先需要将Unicode转化为合适的编码，这个过程就是编码

中文解码问题

>>> raw=open(r"E:\dict\text.txt","r").read()
Traceback (most recent call last):
  File "<pyshell#18>", line 1, in <module>
    raw=open(r"E:\dict\text.txt","r").read()
UnicodeDecodeError: 'gbk' codec can't decode byte 0x80 in position 16: illegal multibyte sequence
>>> import codecs
>>> f=codecs.open(r"E:\dict\text.txt",'r',encoding="utf-8").read()

ord()查找字符的整数序列

>>> ord('a')
97
>>> ord('f')
102

7 使用正则表达式检测词组搭配

---

import re 导入re函数库

re.search('ed$',w)查询w字符串中是都ed结尾匹配 [w for w in wordlist if re,search('ed$',w)]

通配符“.”可以用来匹配任何单个字符。例如：有一个8个字母组成的字谜，j是第三个字母，t的第六个字母，每个空白单元格用句点隔开.(^字符串开始，$字符串结束)

[w for w in wordlist if re.search('^..j..t..$',w)]

计算文本中词出现次数 sum(w for w in text if re.search('^e-?mail$',w))

搜索数字

[w for w in wordlist if re.search('^[0-9]+\.[0-9]+$',w)]

[w for w in wordlist if re.search('^[0-9]{4}$',w)]

python正则表达式基本元字符

1. .   通配符，匹配所有字符
2. ^abc  匹配以abc开始的字符串
3. abc$  匹配以abc结尾的字符串
4. [abc]  匹配字符集合
5. [A-Z0-9] 匹配字符范围
6. ed|ing|s 匹配指定的字符串，诸如ed或者ing或者s
7. *   前面项目0个或者多个，如a*/[a-z]* (也叫Kleene闭包)
8. +   前面项目1个或者多个，如a+、[a-z]+
9. ?   前面项目0个或者1个，如a？、[a-z]?
10. {n}   重复n次
11. {n,}  至少重复n次
12. {,n}  重复不多于n次
13. {m,n}  至少重复m次不多于n次
14. a(b|c)+  括号表示操作符的范围
15. 正则表达式符号：
16. \b 词边界
17. \d 任何数字等于[0-9]
18. \D 任何非数字等于[^0-9]
19. \s 任何空白字符[\t\n\r\f\v]
20. \S 任何非空白字符[^\t\n\r\f\v]
21. \w 任何字母[A-Za-z0-9]
22. \W 任何非字母[^A-Za-z0-9]
23. \t 制表符
24. \n 换行符

指定条件查询分析：

>>> f=codecs.open(r"E:\dict\q0.txt",'r').read()
>>> import re
>>> re.findall(r"大秦",f)
['大秦']
>>> re.findall(r"庞涓",f)
['庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓']
>>> len(re.findall(r"庞涓",f))
33
>>>

【推荐】

1. 古滕堡语料库
2. 语料库在线
3. 搜狗实验室新闻|互联网数据
4. 北京大学语言研究中心
5. 计算机语言研究所
6. 数据堂