语言技术平台(LTP) 提供包括中文分词、词性标注、命名实体识别、依存句法分析、语义角色标注等丰富、 高效、精准的自然语言处理技术。经过 哈工大社会计算与信息检索研究中心 11 年的持续研发和推广，LTP 已经成为国内外最具影响力的中文处理基础平台，曾获 CoNLL 2009七国语言句法语义分析评测 总成绩第一名，中文信息学会钱伟长一等奖等重要成绩和荣誉。目前，LTP 已经被 500 多家国内外研究机构和企业使用，多家大企业和科研机构付费使用。

文档地址：语言技术平台(LTP)

以上文档介绍的已经比较清楚再此就不赘述了，下面以“总理那高大的形象总是浮现在我眼前”，“我把苹果吃了”，“苹果被我吃了”几种经典句型为例对提取句子主干进行分析。

①通过对“总理那高大的形象总是浮现在我眼前”进行分词、词性标注、依存句法分析得到如下结果：

分词结果：总理    那      高大    的      形象    总是    浮现    在      我      眼前  
词性分析结果：总理/n  那/r  高大/a  的/u  形象/n  总是/d  浮现/v  在/p  我/r  眼前/nt
依存句法分析结果：5:ATT   5:ATT   5:ATT   3:RAD   7:SBV   7:ADV   0:HED   7:CMP   10:ATT  8:POB

将以上结果绘制成语法树得出：

②通过对“我把苹果吃了”进行分词、词性标注、依存句法分析得到如下结果：

分词结果：你      把      苹果    吃      了
词性分析结果：你/r  把/p  苹果/n  吃/v  了/u
依存句法分析结果：4:SBV   4:ADV   2:POB   0:HED   4:RAD

将以上结果绘制成语法树得出：

③通过对“苹果被我吃了”进行分词、词性标注、依存句法分析得到如下结果：

分词结果：苹果    被      我      吃      了
词性分析结果：苹果/n  被/p  我/r  吃/v  了/u
依存句法分析结果：4:FOB   4:ADV   2:POB   0:HED   4:RAD

将以上结果绘制成语法树得出：

以上结果都是基于LTP分析得出，分词和词性分析也可以通过结巴分词实现，不过经本人测试效果不如LTP自带分词，可能因为语料和适配问题，大家可以尝试下。

现在已经得到语法树了，在汉语中句子主干一般为主谓宾结构，也可能部分缺失。通过LTP文档可以发现：

一般情况下LTP会选取谓语作为ROOT，SBV为主谓关系，VOB为动宾关系，FOB为前置宾语。可以把ROOT视作谓语，SBV作为主语，VOB或FOB作为宾语。当主语缺失或宾语缺失时，也可能表现为ADV-POB（状中-定宾）结构。

由于本人已把LTP作为服务，返回结果格式为:

{"code": 200,"result": [{"dep": "总理","gov": "形象","pos": "ATT"},{"dep": "那","gov": "形象","pos": "ATT"},{"dep": "高大","gov": "形象","pos": "ATT"},{"dep": "的","gov": "高大","pos": "RAD"},{"dep": "形象","gov": "浮现","pos": "SBV"},{"dep": "总是","gov": "浮现","pos": "ADV"},{"dep": "浮现","gov": "ROOT","pos": "HED"},{"dep": "在","gov": "浮现","pos": "CMP"},{"dep": "我","gov": "眼前","pos": "ATT"},{"dep": "眼前","gov": "在","pos": "POB"}],"ts": 1530862633
}

首先通过ROOT提取谓语结点，然后后再通过谓语获取主语和宾语：

class Sentence(object):def __init__(self, url):self.url = urldef getLTPAnalysis(self, sentence):data = bytes(json.dumps({'sentence': sentence}), encoding='utf8')headers = {'Content-Type': 'application/json'}req = urllib.request.Request(self.url, data, headers)resp = urllib.request.urlopen(req)respStr = resp.read()respJson = json.loads(respStr)return respJsondef getHED(self, words):root = Nonefor word in words:if word['gov'] == 'ROOT':root = word['dep']return rootdef getWord(self, words, HED, wType):sbv = Nonefor word in words:if word['pos'] == wType and word['gov'] == HED:sbv = word['dep']return sbvdef getFirstNotNone(self, array):for word in array:if word is not None:return wordreturn Nonedef getMain(self, sentence):re = ''result = self.getLTPAnalysis(sentence)if result['code'] == 200:array = result['result']if len(array) > 0:hed = self.getHED(array)if hed is not None:sbv = self.getWord(array, hed, 'SBV')  # 主语vob = self.getWord(array, hed, 'VOB')  # 宾语fob = self.getWord(array, hed, 'FOB')  # 后置宾语adv = self.getWord(array, hed, 'ADV')  # 定中pob = self.getWord(array, adv, 'POB')  # 介宾如果没有主语可做主语zhuWord = self.getFirstNotNone([sbv, pob])  # 最终主语weiWord = hed # 最终谓语binWord = self.getFirstNotNone([vob, fob, pob])  # 最终宾语re = '{}{}{}'.format(zhuWord, weiWord, binWord)return re.replace('None', '')

最终处理结果为：

由于本人刚接触自然语言处理，如果错误欢迎指正！