Python自然语言处理 3 处理原始文本
本章的目的是要回答下列问题:
(1) 怎样才能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,并进行文本语料上分析?
(3)怎样编写程序产生格式化的输出,并把结果保存在文件中?
为了解决这些问题,本章将介绍NLP的重要概念,包括分词和词干提取.在过程中,巩固Python知识并且学习关于字符串,文件和正则表达式的知识.网络上的文本都是HTML格式的,我们将学习如何使用HTML
一,从网络和硬盘访问文本
#处理电子书 txt
古腾堡项目http://www.gutenberg.org/catalog/有25000本免费在线书籍的目录
编号2554的文本是<罪与罚>
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\'
分词
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'
在链表中创建NLTK文本
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
#处理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'|',
#处理搜索引擎的结果
网络可以被看做未经标注的巨大语料库
#处理RSS订阅
http://feedparser.org
#读取本地文件
import sys
#从PDF,MS word及其他二进制格式中提取文本
使用pypdf和pywin32
#捕获用户输入
s = raw_input("Enter some text: ")
#NLP的流程
二, 字符串: 最底层的文本处理
#链表与字符串的差异
字符串和链表都是一种序列.可以通过索引抽取它们中的一部分,可以给它们切片,也可以使用连接将它们合并在一起,但是,字符串和链表之间不能连接
query = 'Who knows?'
beatles = ['John', 'Paul', 'George', 'Ringo']
query[0] = 'F' #不可变
beatles[0] = 'F' #可变的
三, 使用Unicode进行文字处理
#从文件中提取已编码文本
import codecs
f = codecs.open(path, encoding='utf8')
四 使用正则表达式检测词组搭配
五 正则表达式的有益应用
#提取字符块
找出文本中两个或两个以上的元音序列,并确定它们的相对频率
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()
#在字符块上做更多事情
#查找词干
查询"laptops"会找到含有"laptop"的文档
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
使用正则表达式
#搜索已分词文本
这种自动和人工处理相结合的方式是最常见的建造新语料库的方式
六 规范化文本
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)
#词干提取器
porter = nltk.PorterStemmer()
lancaster = nltk.LancasterStemmer()
[porter.stem(t) for t in tokens]
[u'denni',':','listen',',',u'strang',
#词形归并
wnl = nltk.WordNetLemmatizer()
[wnl.lemmatize(t) for t in tokens]
['DENNIS',':','Listen',',','strange',u'woman','lying',
七 用正则表达式为文本分词
#分词的简单方法
re.split(r" ', raw) #在空格符处分割原始文本
re.split(r'[ \t\n]+', raw) #同时需要匹配任何数量的空格符\制表符或换行符
八 分割
#断句
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])
#分词
九 格式化:从链表到字符串
#从链表到字符串
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 深入阅读
Python自然语言处理 3 处理原始文本相关推荐
- Python自然语言处理:轻松上手文本分类
文本分类是NLP中的常见的重要任务之一,它的主要功能就是将输入的文本以及文本的类别训练出一个模型,使之具有一定的泛化能力,能够对新文本进行较好地预测.它的应用很广泛,在很多领域发挥着重要作用,例如垃圾 ...
- Python 自然语言处理:轻松上手文本分类
喜欢编程,热爱分享,希望能结交更多志同道合的朋友,一起在学习Python的道路上走得更远! 背景介绍 文本分类是NLP中的常见的重要任务之一,它的主要功能就是将输入的文本以及文本的类别训练出一个模型, ...
- Python 自然语言处理:轻松上手文本分类!
背景介绍 文本分类是NLP中的常见的重要任务之一,它的主要功能就是将输入的文本以及文本的类别训练出一个模型,使之具有一定的泛化能力,能够对新文本进行较好地预测.它的应用很广泛,在很多领域发挥着重要作用 ...
- 【Python自然语言处理】读书笔记:第三章:处理原始文本
本章原文链接:https://usyiyi.github.io/nlp-py-2e-zh/3.html 3 处理原始文本 import nltk, re, pprint from nltk impor ...
- 《Python自然语言处理(第二版)-Steven Bird等》学习笔记:第02章 获得文本语料和词汇资源
第02章 获得文本语料和词汇资源 2.1 获取文本语料库 古腾堡语料库 网络和聊天文本 布朗语料库 路透社语料库 就职演说语料库 标注文本语料库 在其他语言的语料库 文本语料库的结构 载入你自己的语料 ...
- 《Python自然语言处理(第二版)-Steven Bird等》学习笔记:第03章 加工原料文本
第03章 加工原料文本 3.1 从网络和硬盘访问文本 电子书 处理的HTML 处理搜索引擎的结果 处理RSS 订阅 读取本地文件 从PDF.MS Word 及其他二进制格式中提取文本 捕获用户输入 N ...
- Python自然语言处理 | 获得文本语料与词汇资源
本章解决问题- 什么是有用的文本语料和词汇资源,我们如何使用Python获取它们? 哪些Python结构最适合这项工作? 编写Python代码时我们如何避免重复的工作? 这里写目录标题 1获取文本语料 ...
- 《Python自然语言处理》——1.1 语言计算:文本和词汇
本节书摘来异步社区<Python自然语言处理>一书中的第1章,第1.1节,作者:[美]Steven Bird , Ewan Klein , Edward Loper,更多章节内容可以访问云 ...
- 《Python自然语言处理》——第1章 语言处理与Python 1.1 语言计算:文本和词汇...
本节书摘来自异步社区<Python自然语言处理>一书中的第1章,第1.1节,作者[美]Steven Bird,Ewan Klein,Edward Loper, 陈涛,张旭,崔杨,刘海平 译 ...
- python链表划分_《Python自然语言处理》——1.2 近观Python:将文本当做词链表-阿里云开发者社区...
本节书摘来自异步社区<Python自然语言处理>一书中的第1章,第1.2节,作者[美]Steven Bird,Ewan Klein,Edward Loper, 陈涛,张旭,崔杨,刘海平 译 ...
最新文章
- python网络爬虫系列(二)——ProxyHandler处理器实现代理IP
- linux共享文件系统sy,Linux使用Samba实现文件共享
- 将内存使用的详细情况输出到文件
- Adaboost算法结合Haar-like特征
- 五种常用的MySQL图形化管理工具
- 测度论与概率论基础(程士宏)学习笔记(一)
- 共享硬盘没有权限访问计算机,Win7系统打开磁盘共享说“没有访问权限
- openflow pox操作命令
- nas 微型计算机,商为家用的利器 希捷BS 2- Bay NAS
- 期末C语言不挂科之选择题
- 产品经理如何写好产品需求文档
- 模型的骨骼动画技术讲解
- Centos7 快捷键调节屏幕亮度
- 在安卓系统上使用NFC技术的模拟M1卡的探索之路
- 名帖46 北魏 楷书《镇北大将军元思墓志》
- centOS6.8安装VMware tools,请确保您已登录客户机操作系统。在客户机中装载CD驱动器启动终端,使用tar解压缩安装程序,然后执行vmware-insall.pl安装VMware To
- 2019年2月星环科技大数据应用开发面试(2年工作经验)
- Oacle锁表,ORA-00054
- java string数组循环_java数组中String [ ] a={aa,bb,cc};利用for循环进行遍历
- git上传文件到腾讯云服务器,我的hexo部署到腾讯云服务器
热门文章
- 三消类游戏的核心算法
- ADO与ADO.NET 的区别
- macOS上显示隐藏文件
- fxp连接失败_flashfxp连接提示连接失败 (10061: 连接被拒)与列表错误
- fxp连接失败_用FLASHFXP连接站点,总显示连接失败(连接丢失),该怎么办呢
- [zkaq靶场]命令执行--IBOS协同办公系统通杀漏洞
- win10硬盘锁怎么解除_win10如何使用bitlocker解锁硬盘加密
- 计算机运行慢提速小技巧,教你为Win7系统加速的五个技巧
- java中人民币的符号怎么打_打印机打印人民币符号¥
- 大数据与综合交通规划的金句良言