安装和使用nltk

安装

参考：https://www.cnblogs.com/zrmw/p/10869325.html

分词：注意先分句再分词，这些对象均来自nltk.tokenize库

word_tokenize
　　导入nltk的tokenize库后，tokens = nltk.word_tokenize(sentence)语句进行分词操作，sentence为待处理的字符串。返回一个列表。该方法要求被处理的字符串本身各个词语之间有空格，能处理如don't, they'll等缩写词的情况。
TweetTokenizer
　　Twitter-aware，按空格进行分词，同时针对推文一些特性，去除@用户名，保留表情等一些特殊符号。
　　分两种：
　　（1）不带参数token＝TweetTokenizer().tokenize(sentence)处理。
　　　　　　输入"This is a coooool #dummysmiley: 😃 😛 ❤️ and some arrows < > -> <--"
　　　　　　输出['This', 'is', 'a', 'cooool', '#dummysmiley', ':', '😃', '😛', '❤️', 'and', 'some', 'arrows', '<', '>', '->', '<--']能够拆分无效用的标点符号。
　　（2）带参数token = TweetTokenizer(strip_handles=True, reduce_len = True).
　　　　　　输入@remy: This is waaaaayyyy too much for you!!!!!!
　　　　　　输出[':', 'This', 'is', 'waaayyy', 'too', 'much', 'for', 'you', '!', '!', '!']
　　　　　　当一个词中相同字符连续出现3次以上，就只保留3个。设置strip_handles = True会删去@xxx。
MWETokenizer
　　tokenizer = MWETokenizer([('a', 'little'), ('a', 'little', 'bit'), ('a', 'lot')])
　　输入tokenizer.tokenize('In a litte or a litte bit or a lot in spite of'.split()); tokenizer.add_mwe(('in', 'spite', 'of'))
　　输出['In', 'a_little', 'or', 'a_little_bit', 'or', 'a_lot', 'in_spite_of']
　　该方法可对已经先保留的一些短语，或者组合，进行重组（对一些专有词可以先进行保留，如F-16，最后重组已保留-）。
RegexpTokenizer　
　　使用到正则表达式进行分词,如对一些金钱表示或者其他非空白序列。
　　tokenizer = RegexpTokenizer('\w+|$[\d.]+|\S+')
　　输入"Good muffins cost $3.88\n in New York. Please buy me\n two of them.\n\n Thanks."
　　输出['Good', 'muffins', 'cost', '$3.88', 'in', 'New', 'York', '.', 'Please', 'buy', 'me', 'two', 'of', 'them', '.', 'Thanks', '.']
StanfordTokenizer
　　按空格进行分词，对于$4.28之类的，将符号与数字分开。
　　输入“Good muffins cost $3.88\n in New York. Please buy me\n two of them.\n Thanks." 　　输出['Good', 'muffins', 'cost', '$', '3.88', 'in', 'New', 'York', '.', 'Please', 'buy', 'me', 'two', 'of', 'them', '.', 'Thanks', '.']