Python NLP 入门教程

本文简要介绍Python自然语言处理(NLP)，使用Python的NLTK库。NLTK是Python的自然语言处理工具包，在NLP领域中，最常使用的一个Python库。
什么是NLP？

简单来说，自然语言处理(NLP)就是开发能够理解人类语言的应用程序或服务。这里讨论一些自然语言处理(NLP)的实际应用例子，如语音识别、语音翻译、理解完整的句子、理解匹配词的同义词，以及生成语法正确完整句子和段落。这并不是NLP能做的所有事情。

NLP实现

搜索引擎: 比如谷歌，Yahoo等。谷歌搜索引擎知道你是一个技术人员，所以它显示与技术相关的结果；社交网站推送:比如Facebook News Feed。如果News Feed算法知道你的兴趣是自然语言处理，就会显示相关的广告和帖子。语音引擎:比如Apple的Siri。垃圾邮件过滤:如谷歌垃圾邮件过滤器。和普通垃圾邮件过滤不同，它通过了解邮件内容里面的的深层意义，来判断是不是垃圾邮件。NLP 库

下面是一些开源的自然语言处理库(NLP)：Natural language toolkit (NLTK);
Apache OpenNLP;
Stanford NLP suite;
Gate NLP library
其中自然语言工具包(NLTK)是最受欢迎的自然语言处理库(NLP)，它是用Python编写的，而且背后有非常强大的社区支持。NLTK也很容易上手，实际上，它是最简单的自然语言处理(NLP)库。在这个NLP教程中，我们将使用Python NLTK库。安装 NLTK

如果您使用的是Windows/Linux/Mac，您可以使用pip安装NLTK:


打开python终端导入NLTK检查NLTK是否正确安装：

如果一切顺利，这意味着您已经成功地安装了NLTK库。首次安装了NLTK，需要通过运行以下代码来安装NLTK扩展包:

这将弹出NLTK 下载窗口来选择需要安装哪些包:

您可以安装所有的包，因为它们的大小都很小，所以没有什么问题。

使用Python Tokenize文本

首先，我们将抓取一个web页面内容，然后分析文本了解页面的内容。我们将使用urllib模块来抓取web页面:


从打印结果中可以看到，结果包含许多需要清理的HTML标签。 然后BeautifulSoup模块来清洗这样的文字:

现在我们从抓取的网页中得到了一个干净的文本。 下一步，将文本转换为tokens,像这样:

统计词频

text已经处理完毕了，现在使用Python NLTK统计token的频率分布。可以通过调用NLTK中的FreqDist()方法实现:


如果搜索输出结果，可以发现最常见的token是PHP。 您可以调用plot函数做出频率分布图:



这上面这些单词。比如of,a,an等等，这些词都属于停用词。一般来说，停用词应该删除，防止它们影响分析结果。

处理停用词

NLTK自带了许多种语言的停用词列表，如果你获取英文停用词:


现在，修改下代码,在绘图之前清除一些无效的token:

最终的代码应该是这样的:

现在再做一次词频统计图，效果会比之前好些，因为剔除了停用词:

使用NLTK Tokenize文本

在之前我们用split方法将文本分割成tokens，现在我们使用NLTK来Tokenize文本。文本没有Tokenize之前是无法处理的，所以对文本进行Tokenize非常重要的。token化过程意味着将大的部件分割为小部件。你可以将段落tokenize成句子，将句子tokenize成单个词，NLTK分别提供了句子tokenizer和单词tokenizer。假如有这样这段文本:


使用句子tokenizer将文本tokenize成句子:

输出如下:

这是你可能会想，这也太简单了，不需要使用NLTK的tokenizer都可以，直接使用正则表达式来拆分句子就行，因为每个句子都有标点和空格。那么再来看下面的文本:


这样如果使用标点符号拆分,Hello Mr将会被认为是一个句子，如果使用NLTK:

输出如下:

这才是正确的拆分。接下来试试单词tokenizer:


输出如下:

Mr.这个词也没有被分开。NLTK使用的是punkt模块的PunktSentenceTokenizer，它是NLTK.tokenize的一部分。而且这个tokenizer经过训练，可以适用于多种语言。

非英文 Tokenize

Tokenize时可以指定语言:


输出结果如下:

同义词处理

使用nltk.download()安装界面，其中一个包是WordNet。WordNet是一个为自然语言处理而建立的数据库。它包括一些同义词组和一些简短的定义。您可以这样获取某个给定单词的定义和示例:

输出结果是:


WordNet包含了很多定义：

结果如下:

可以像这样使用WordNet来获取同义词:

输出:

反义词处理

也可以用同样的方法得到反义词：


输出:

词干提取

语言形态学和信息检索里，词干提取是去除词缀得到词根的过程，例如working的词干为work。搜索引擎在索引页面时就会使用这种技术，所以很多人为相同的单词写出不同的版本。有很多种算法可以避免这种情况，最常见的是波特词干算法。NLTK有一个名为PorterStemmer的类，就是这个算法的实现:


输出结果是:

还有其他的一些词干提取算法，比如 Lancaster词干算法。

非英文词干提取

除了英文之外，SnowballStemmer还支持13种语言。支持的语言:



你可以使用SnowballStemmer类的stem函数来提取像这样的非英文单词：

单词变体还原

单词变体还原类似于词干，但不同的是，变体还原的结果是一个真实的单词。不同于词干，当你试图提取某些词时，它会产生类似的词:

结果:

结果可能会是一个同义词或同一个意思的不同单词。有时候将一个单词做变体还原时，总是得到相同的词。这是因为语言的默认部分是名词。要得到动词，可以这样指定：

结果:

实际上，这也是一种很好的文本压缩方式，最终得到文本只有原先的50%到60%。结果还可以是动词(v)、名词(n)、形容词(a)或副词(r)：

输出:

词干和变体的区别

通过下面例子来观察:


输出:

词干提取不会考虑语境，这也是为什么词干提取比变体还原快且准确度低的原因。个人认为，变体还原比词干提取更好。单词变体还原返回一个真实的单词，即使它不是同一个单词，也是同义词，但至少它是一个真实存在的单词。如果你只关心速度，不在意准确度，这时你可以选用词干提取。在此NLP教程中讨论的所有步骤都只是文本预处理。在以后的文章中，将会使用Python NLTK来实现文本分析。我已经尽量使文章通俗易懂。希望能对你有所帮助。来自：j_hao104的博客链接：www.spiderpy.cn/blog/detail/30