学习NLP第一课

欲先攻其事必先利其器
1、 安装nltk，使用

[python]  view plain  copy

1. pip install nltk  

2、 在命令行下执行  

[python]  view plain  copy

1. import nltk  
2. nltk.download('punkt')  

一段原始文本要可以处理必须经过几个阶段，一般而言主要有
1、文本清理，清理掉一些不必要的字符，比如使用BeautifulSoup的get_text，一处非ascii字符等等
2、语句分离，一大段原生文本，处理成一系列的语句，用计算机术语而言就是将一个字符串分割成若干字符串，可以使用"."或者"。"或者nltk_tokenize预置的预处理函数，(使用方式 from nltk.tokenize import sent_tokenize)
3、标识化处理，机器所能理解的最小单位是单词，所以我们在语句分离的基础上还要进行分词操作，也就是将一个原生字符串分割成一系列有意义的单词NLP标识化处理的复杂性根据应用的不同而不同，标识器有很多，比如split，word_tokenize和regex_tokenize
4、词干提取，较为粗糙的规则处理过程，修枝剪叶，比如eating,eaten 共同的词根是eat，我在处理时，认为eating和eaten就是一个eat就ok
5、词性还原，包含了词根所有的变化，词性还原操作会根据当前上下文环境，将词根还原成当前应该表现的形式使用方式（from nltk.stem import WordNetLemmatizer）

6、停用词移除，比如无意义的the a  an 等词汇会被移除，一般停用词表示人工定制的，也有一些是根据给定语料库自动生成的nltk包含22种语言的停用词表

根据以上观点，涉及到的python代码是：

[python]  view plain  copy

1. # -*- coding: utf-8 -*-  
2. import re  
3. import requests  
4. import operator  
5. from bs4 import BeautifulSoup  
6. from nltk.tokenize import sent_tokenize,wordpunct_tokenize,blankline_tokenize,word_tokenize  
7. import nltk  
8. import pymysql  
9. import os  
10.   
11. def mysql_select():  
12.     # 打开数据库连接  
13.     db = pymysql.connect(host="localhost",user="root",passwd="root",db="csdn",charset="utf8")  
14.     # 使用cursor()方法获取操作游标  
15.     cursor = db.cursor()  
16.     cursor.execute("SELECT * FROM `article_info` ORDER BY RAND() LIMIT 1")  
17.     # 提交到数据库执行  
18.     result = cursor.fetchall()  
19.     db.close()  
20.     return result  
21.   
22. str_text = mysql_select()  
23. #文本清理，我只需要content的内容  
24. str_text = str_text[0]  
25. #获得content  
26. str_text = str_text[3]  
27. #进行文本清理，去掉html  
28. soup = BeautifulSoup(str_text, 'lxml')  
29. str_text = soup.get_text()  
30. #print("文本清理的结果： "+ str_text)  
31. #语句分离器  
32. text_list = sent_tokenize(str_text)  
33. #标识化处理，针对所有的语句进行标识化处理  
34. word_list = []  
35. #使用nltk的内置函数进行语句分离  
36. for sentence in text_list:  
37.     item_list = word_tokenize(sentence)  
38.     word_list.extend(item_list)  
39. result_1_word_list = []  
40. for word in word_list:  
41.     blank_list = blankline_tokenize(word)  
42.     result_1_word_list.extend(blank_list)  
43.     ''''' 
44. print("查看分词结果") 
45. for item in result_1_word_list: 
46.     print(item) 
47.     '''  
48. #去掉停用詞  
49. stop_words = [word.strip().lower() for word in ['{','}','(',')',']','[']]  
50. clean_tokens = [tok for tok in result_1_word_list if len(tok.lower())>1 and (tok.lower not in stop_words)]  
51. token_nltk_result = nltk.FreqDist(clean_tokens)  
52. for k,v in token_nltk_result.items():  
53.     print(str(k)+" : "+str(v))  
54. token_nltk_result.plot(10,cumulative=True)