Python自然語言處理 3 處理原始文字

CopperDong發表於2017-11-19
Python自然語言處理

本章的目的是要回答下列問題:

(1) 怎樣才能編寫程式訪問本地和網路上的檔案,從而獲得無限的語言材料?

(2)如何把文件分割成單獨的單詞和標點符號,並進行文字語料上分析?

(3)怎樣編寫程式產生格式化的輸出,並把結果儲存在檔案中?

為了解決這些問題,本章將介紹NLP的重要概念,包括分詞和詞幹提取.在過程中,鞏固Python知識並且學習關於字串,檔案和正規表示式的知識.網路上的文字都是HTML格式的,我們將學習如何使用HTML

一,從網路和硬碟訪問文字

#處理電子書 txt

古騰堡專案http://www.gutenberg.org/catalog/有25000本免費線上書籍的目錄

編號2554的文字是<罪與罰>

from urllib import urlopen
url = "http://www.gutenberg.org/files/2554/2554-0.txt"
raw = urlopen(url).read()
type(raw)

   str

len(raw)

   
1201733
raw = raw.replace('\xef\xbb\xbf','')
raw[:75]

'The Project Gutenberg EBook of Crime and Punishment, by Fyodor Dostoevsky\r\n\'

分詞



import nltk


import sys

reload(sys)

sys.setdefaultencoding( "utf-8" )


tokens = nltk.word_tokenize(raw)


type(tokens)




list

len(tokens)




244761

tokens[:15]





['\xef',
 '\xbb',
 '\xbfThe',
 'Project',
 'Gutenberg'


在連結串列中建立NLTK文字




text = nltk.Text(tokens)


type(text)


text[1020:1060]


text.collocations()


raw.find("PART I")













































5381

raw.rfind("End of Project Gutenberg’s Crime")




1182515

raw = raw[5381:1182515]


raw.find("PART I")


0


#處理HTML


url = "http://news.bbc.co.uk/2/hi/health/2284783.stm"

html = urlopen(url).read()

html[:60]




'<!doctype html public "-//W3C//DTD HTML 4.0 Transitional//EN'

#raw = nltk.clean_html(html)


from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'html.parser')

raw = soup.get_text()


tokens = nltk.word_tokenize(raw)


tokens




[u'BBC',
 u'NEWS',
 u'|',
 u'Health',
 u'|',


#處理搜尋引擎的結果




網路可以被看做未經標註的巨大語料庫


#處理RSS訂閱


http://feedparser.org


#讀取本地檔案


import sys


#從PDF,MS word及其他二進位制格式中提取文字


使用pypdf和pywin32


#捕獲使用者輸入


s = raw_input("Enter some text: ")


#NLP的流程





二, 字串: 最底層的文字處理





#連結串列與字串的差異


字串和連結串列都是一種序列.可以通過索引抽取它們中的一部分,可以給它們切片,也可以使用連線將它們合併在一起,但是,字串和連結串列之間不能連線


query = 'Who knows?' 


beatles = ['John', 'Paul', 'George', 'Ringo']


query[0] = 'F'  #不可變


beatles[0] = 'F' #可變的


三, 使用Unicode進行文書處理





#從檔案中提取已編碼文字


import   codecs


f = codecs.open(path, encoding='utf8')





四  使用正規表示式檢測片語搭配





五 正規表示式的有益應用


#提取字元塊


找出文字中兩個或兩個以上的母音序列,並確定它們的相對頻率




import re
wsj = sorted(set(nltk.corpus.treebank.words()))
fd = nltk.FreqDist(vs for word in wsj for vs in re.findall(r'[aeiou]{2,}', word))
fd.items()




#在字元塊上做更多事情




＃查詢詞幹


查詢"laptops"會找到含有"laptop"的文件


def stem(word):

    for suffix in ['ing','ly','ed','ious','ies','ive','es','s','ment']:

        if word.endswith(suffix):

            return word[:-len(suffix)]

    return word


使用正規表示式


＃搜尋已分詞文字


這種自動和人工處理相結合的方式是最常見的建造新語料庫的方式


六　規範化文字





raw = """DENNIS:Listen, strange women lying in ponds distributing swords is no basis for a system of government. Supreme executive power derives from a mandate from the masses, not from some farcical aquatic ceremony."""


tokens = nltk.word_tokenize(raw)


＃詞幹提取器




porter = nltk.PorterStemmer()
lancaster = nltk.LancasterStemmer()
[porter.stem(t) for t in tokens]
[u'denni',
 ':',
 'listen',
 ',',
 u'strang',


＃詞形歸併





wnl = nltk.WordNetLemmatizer()
[wnl.lemmatize(t) for t in tokens]
['DENNIS',
 ':',
 'Listen',
 ',',
 'strange',
 u'woman',
 'lying',




七　用正規表示式為文字分詞




＃分詞的簡單方法


re.split(r" ', raw)    #在空格符處分割原始文字


re.split(r'[ \t\n]+', raw)  #同時需要匹配任何數量的空格符＼製表符或換行符


八　分割


＃斷句




sent_tokenizer = nltk.data.load('tokenizers/punkt/english.pickle')
text = nltk.corpus.gutenberg.raw('chesterton-thursday.txt')
sents = sent_tokenizer.tokenize(text)
pprint.pprint(sents[171:181])




＃分詞







九　格式化：從連結串列到字串


＃從連結串列到字串




silly = ['We','called','him','Tortoise','because','he','taught','us','.']
' '.join(silly)
'We called him Tortoise because he taught us .'
';'.join(silly)
'We;called;him;Tortoise;because;he;taught;us;.'
''.join(silly)
'WecalledhimTortoisebecausehetaughtus.'



十　深入閱讀


















































































































































相關文章