/*自定义导航栏*/

【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

                  

作者:白宁超,工学硕士,现工作于四川省计算机研究院,研究方向是自然语言处理和机器学习。曾参与国家自然基金项目和四川省科技支撑计划等多个省级项目。著有《自然语言处理理论与实战》一书。 自然语言处理与机器学习技术交流群号:436303759 。 出处:http://www.cnblogs.com/baiboy/

本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。

posted @ 2016-11-08 22:47  伏草惟存  阅读(18180)  评论(0编辑  收藏  举报