用python實現入門級NLP

今天看到一篇博文，是講經過python爬一個頁面，並統計頁面詞頻的腳本，感受蠻有意思的

Python NLP入門教程：http://python.jobbole.com/88874/

本文簡要介紹Python天然語言處理(NLP)，使用Python的NLTK庫。NLTK是Python的天然語言處理工具包，在NLP領域中，最常使用的一個Python庫。

什麼是NLP？

簡單來講，天然語言處理(NLP)就是開發可以理解人類語言的應用程序或服務。

這裏討論一些天然語言處理(NLP)的實際應用例子，如語音識別、語音翻譯、理解完整的句子、理解匹配詞的同義詞，以及生成語法正確完整句子和段落。

這並非NLP能作的全部事情。

NLP實現

搜索引擎: 好比谷歌，Yahoo等。谷歌搜索引擎知道你是一個技術人員，因此它顯示與技術相關的結果；

社交網站推送:好比Facebook News Feed。若是News Feed算法知道你的興趣是天然語言處理，就會顯示相關的廣告和帖子。

語音引擎:好比Apple的Siri。

垃圾郵件過濾:如谷歌垃圾郵件過濾器。和普通垃圾郵件過濾不一樣，它經過了解郵件內容裏面的的深層意義，來判斷是否是垃圾郵件。

NLP庫

下面是一些開源的天然語言處理庫(NLP)：

• Natural language toolkit (NLTK);
• Apache OpenNLP;
• Stanford NLP suite;
• Gate NLP library

其中天然語言工具包(NLTK)是最受歡迎的天然語言處理庫(NLP)，它是用Python編寫的，並且背後有很是強大的社區支持。

NLTK也很容易上手，實際上，它是最簡單的天然語言處理(NLP)庫。

在這個NLP教程中，咱們將使用Python NLTK庫。

安裝 NLTK

若是您使用的是Windows/Linux/Mac，您可使用pip安裝NLTK:

pip install nltk

　　

打開python終端導入NLTK檢查NLTK是否正確安裝：

import nltk

 

若是一切順利，這意味着您已經成功地安裝了NLTK庫。首次安裝了NLTK，須要經過運行如下代碼來安裝NLTK擴展包:

import nltk
 
nltk.download()

 

這將彈出NLTK 下載窗口來選擇須要安裝哪些包:

您能夠安裝全部的包，由於它們的大小都很小，因此沒有什麼問題。

使用Python Tokenize文本

首先，咱們將抓取一個web頁面內容，而後分析文本瞭解頁面的內容。

咱們將使用urllib模塊來抓取web頁面:

import urllib.request
 
response = urllib.request.urlopen('http://php.net/')
html = response.read()
print (html)

 

從打印結果中能夠看到，結果包含許多須要清理的HTML標籤。
而後BeautifulSoup模塊來清洗這樣的文字:

from bs4 import BeautifulSoup
 
import urllib.request
response = urllib.request.urlopen('http://php.net/')
html = response.read()
soup = BeautifulSoup(html,"html5lib")
# 這須要安裝html5lib模塊
text = soup.get_text(strip=True)
print (text)

　　

如今咱們從抓取的網頁中獲得了一個乾淨的文本。
下一步，將文本轉換爲tokens,像這樣:

from bs4 import BeautifulSoup
import urllib.request
 
response = urllib.request.urlopen('http://php.net/')
html = response.read()
soup = BeautifulSoup(html,"html5lib")
text = soup.get_text(strip=True)
tokens = text.split()
print (tokens)

 

統計詞頻

text已經處理完畢了，如今使用Python NLTK統計token的頻率分佈。

能夠經過調用NLTK中的FreqDist()方法實現:

from bs4 import BeautifulSoup
import urllib.request
import nltk
 
response = urllib.request.urlopen('http://php.net/')
html = response.read()
soup = BeautifulSoup(html,"html5lib")
text = soup.get_text(strip=True)
tokens = text.split()
freq = nltk.FreqDist(tokens)
for key,val in freq.items():
    print (str(key) + ':' + str(val))

 

若是搜索輸出結果，能夠發現最多見的token是PHP。
您能夠調用plot函數作出頻率分佈圖:

freq.plot(20, cumulative=False)
# 須要安裝matplotlib庫

 

這上面這些單詞。好比of,a,an等等，這些詞都屬於停用詞。

通常來講，停用詞應該刪除，防止它們影響分析結果。

處理停用詞

NLTK自帶了許多種語言的停用詞列表，若是你獲取英文停用詞:

from nltk.corpus import stopwords
 
stopwords.words('english')

　　

如今，修改下代碼,在繪圖以前清除一些無效的token:

clean_tokens = list()
sr = stopwords.words('english')
for token in tokens:
    if token not in sr:
        clean_tokens.append(token)

　

最終的代碼應該是這樣的:

from bs4 import BeautifulSoup
import urllib.request
import nltk
from nltk.corpus import stopwords
 
response = urllib.request.urlopen('http://php.net/')
html = response.read()
soup = BeautifulSoup(html,"html5lib")
text = soup.get_text(strip=True)
tokens = text.split()
clean_tokens = list()
sr = stopwords.words('english')
for token in tokens:
    if not token in sr:
        clean_tokens.append(token)
freq = nltk.FreqDist(clean_tokens)
for key,val in freq.items():
    print (str(key) + ':' + str(val))

 

如今再作一次詞頻統計圖，效果會比以前好些，由於剔除了停用詞:

freq.plot(20,cumulative=False)

 

使用NLTK Tokenize文本

在以前咱們用split方法將文本分割成tokens，如今咱們使用NLTK來Tokenize文本。

文本沒有Tokenize以前是沒法處理的，因此對文本進行Tokenize很是重要的。token化過程意味着將大的部件分割爲小部件。

你能夠將段落tokenize成句子，將句子tokenize成單個詞，NLTK分別提供了句子tokenizer和單詞tokenizer。

假若有這樣這段文本:

Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude.

　　

使用句子tokenizer將文本tokenize成句子:

from nltk.tokenize import sent_tokenize
 
mytext = "Hello Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
print(sent_tokenize(mytext))

　　

輸出以下:

['Hello Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']

 

 

這是你可能會想，這也太簡單了，不須要使用NLTK的tokenizer均可以，直接使用正則表達式來拆分句子就行，由於每一個句子都有標點和空格。

那麼再來看下面的文本:

Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude.

1

這樣若是使用標點符號拆分,Hello Mr將會被認爲是一個句子，若是使用NLTK:

from nltk.tokenize import sent_tokenize
 
mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
print(sent_tokenize(mytext))

 

輸出以下:

['Hello Mr. Adam, how are you?', 'I hope everything is going well.', 'Today is a good day, see you dude.']

　

這纔是正確的拆分。

接下來試試單詞tokenizer:

from nltk.tokenize import word_tokenize
 
mytext = "Hello Mr. Adam, how are you? I hope everything is going well. Today is a good day, see you dude."
print(word_tokenize(mytext))

 

輸出以下:

['Hello', 'Mr.', 'Adam', ',', 'how', 'are', 'you', '?', 'I', 'hope', 'everything', 'is', 'going', 'well', '.', 'Today', 'is', 'a', 'good', 'day', ',', 'see', 'you', 'dude', '.']

 

Mr.這個詞也沒有被分開。NLTK使用的是punkt模塊的PunktSentenceTokenizer，它是NLTK.tokenize的一部分。並且這個tokenizer通過訓練，能夠適用於多種語言。

非英文Tokenize

Tokenize時能夠指定語言:

from nltk.tokenize import sent_tokenize
 
mytext = "Bonjour M. Adam, comment allez-vous? J'espère que tout va bien. Aujourd'hui est un bon jour."
print(sent_tokenize(mytext,"french"))

　　

輸出結果以下:

['Bonjour M. Adam, comment allez-vous?', "J'espère que tout va bien.", "Aujourd'hui est un bon jour."]

 

 

同義詞處理

使用nltk.download()安裝界面，其中一個包是WordNet。

WordNet是一個爲天然語言處理而創建的數據庫。它包括一些同義詞組和一些簡短的定義。

您能夠這樣獲取某個給定單詞的定義和示例:

from nltk.corpus import wordnet
 
syn = wordnet.synsets("pain")
print(syn[0].definition())
print(syn[0].examples())

　

輸出結果是:

a symptom of some physical hurt or disorder
['the patient developed severe pain and distension']

 

WordNet包含了不少定義：

from nltk.corpus import wordnet
 
syn = wordnet.synsets("NLP")
print(syn[0].definition())
syn = wordnet.synsets("Python")
print(syn[0].definition())

 

結果以下:

the branch of information science that deals with natural language information
large Old World boas

　

能夠像這樣使用WordNet來獲取同義詞:

from nltk.corpus import wordnet
 
synonyms = []
for syn in wordnet.synsets('Computer'):
    for lemma in syn.lemmas():
        synonyms.append(lemma.name())
print(synonyms)

 

輸出:

['computer', 'computing_machine', 'computing_device', 'data_processor', 'electronic_computer', 'information_processing_system', 'calculator', 'reckoner', 'figurer', 'estimator', 'computer']

　　

 

反義詞處理

也能夠用一樣的方法獲得反義詞：

from nltk.corpus import wordnet
 
antonyms = []
for syn in wordnet.synsets("small"):
    for l in syn.lemmas():
        if l.antonyms():
            antonyms.append(l.antonyms()[0].name())
print(antonyms)

　　

輸出:

['large', 'big', 'big']

　

 

詞幹提取

語言形態學和信息檢索裏，詞幹提取是去除詞綴獲得詞根的過程，例如working的詞幹爲work。

搜索引擎在索引頁面時就會使用這種技術，因此不少人爲相同的單詞寫出不一樣的版本。

有不少種算法能夠避免這種狀況，最多見的是波特詞幹算法。NLTK有一個名爲PorterStemmer的類，就是這個算法的實現:

from nltk.stem import PorterStemmer
 
stemmer = PorterStemmer()
print(stemmer.stem('working'))
print(stemmer.stem('worked'))

 

輸出結果是:

work
work

　　

還有其餘的一些詞幹提取算法，好比 Lancaster詞幹算法。

非英文詞幹提取

除了英文以外，SnowballStemmer還支持13種語言。

支持的語言:

from nltk.stem import SnowballStemmer
 
print(SnowballStemmer.languages)

　　

輸出結果是:

'danish', 'dutch', 'english', 'finnish', 'french', 'german', 'hungarian', 'italian', 'norwegian', 'porter', 'portuguese', 'romanian', 'russian', 'spanish', 'swedish'

　　

你可使用SnowballStemmer類的stem函數來提取像這樣的非英文單詞：

from nltk.stem import SnowballStemmer
 
french_stemmer = SnowballStemmer('french')
 
print(french_stemmer.stem("French word"))

　　

 

單詞變體還原

單詞變體還原相似於詞幹，但不一樣的是，變體還原的結果是一個真實的單詞。不一樣於詞幹，當你試圖提取某些詞時，它會產生相似的詞:

from nltk.stem import PorterStemmer
 
stemmer = PorterStemmer()
 
print(stemmer.stem('increases'))

　

結果:

increas

　　

如今，若是用NLTK的WordNet來對同一個單詞進行變體還原，纔是正確的結果:

from nltk.stem import WordNetLemmatizer
 
lemmatizer = WordNetLemmatizer()
 
print(lemmatizer.lemmatize('increases'))

 

結果:

increase

　　

結果可能會是一個同義詞或同一個意思的不一樣單詞。

有時候將一個單詞作變體還原時，老是獲得相同的詞。

這是由於語言的默認部分是名詞。要獲得動詞，能夠這樣指定：

from nltk.stem import WordNetLemmatizer
 
lemmatizer = WordNetLemmatizer()
 
print(lemmatizer.lemmatize('playing', pos="v"))

　　

結果:

play

　　

實際上，這也是一種很好的文本壓縮方式，最終獲得文本只有原先的50%到60%。

結果還能夠是動詞(v)、名詞(n)、形容詞(a)或副詞(r)：

from nltk.stem import WordNetLemmatizer
 
lemmatizer = WordNetLemmatizer()
print(lemmatizer.lemmatize('playing', pos="v"))
print(lemmatizer.lemmatize('playing', pos="n"))
print(lemmatizer.lemmatize('playing', pos="a"))
print(lemmatizer.lemmatize('playing', pos="r"))

　　

輸出:

play
playing
playing
playing

　　

詞幹和變體的區別

經過下面例子來觀察:

from nltk.stem import WordNetLemmatizer
from nltk.stem import PorterStemmer
 
stemmer = PorterStemmer()
lemmatizer = WordNetLemmatizer()
print(stemmer.stem('stones'))
print(stemmer.stem('speaking'))
print(stemmer.stem('bedroom'))
print(stemmer.stem('jokes'))
print(stemmer.stem('lisa'))
print(stemmer.stem('purple'))
print('----------------------')
print(lemmatizer.lemmatize('stones'))
print(lemmatizer.lemmatize('speaking'))
print(lemmatizer.lemmatize('bedroom'))
print(lemmatizer.lemmatize('jokes'))
print(lemmatizer.lemmatize('lisa'))
print(lemmatizer.lemmatize('purple'))

　　

輸出:

stone
speak
bedroom
joke
lisa
purpl
---------------------
stone
speaking
bedroom
joke
lisa
purple

　　

詞幹提取不會考慮語境，這也是爲何詞幹提取比變體還原快且準確度低的緣由。

我的認爲，變體還原比詞幹提取更好。單詞變體還原返回一個真實的單詞，即便它不是同一個單詞，也是同義詞，但至少它是一個真實存在的單詞。

若是你只關心速度，不在乎準確度，這時你能夠選用詞幹提取。

在此NLP教程中討論的全部步驟都只是文本預處理。在之後的文章中，將會使用Python NLTK來實現文本分析。

我已經儘可能使文章通俗易懂。但願能對你有所幫助。