NLTK讀書筆記和實踐問題記錄

python版本3.4.2：

一、書上的例子是

from nltk.corpus import wordnet as wn

wn.synset('car.n.01').lemma_names   #得到同義詞集

wn.synset('car.n.01').definition    #得到定義

在3.4.2下執行獲得輸出：

<bound method Synset.lemma_names of Synset('car.n.01')>和

<bound method Synset.definition of Synset('car.n.01')>

多是版本問題，在上面命令行後加上（）便可，即以下：

wn.synset('car.n.01').lemma_names()

wn.synset('car.n.01').definition()

 二、書上是from urllib import urlopen,可是報錯：ImportError: cannot import name 'urlopen'；實際緣由是python3的庫和python2的庫的位置不一樣，這裏應該改爲：

from urllib.request import urlopen。說道這裏，順便說一下from ... import ...和import的不一樣，若是使用import，則導入後若是訪問這個模塊的功能，須要全路徑寫上，而from ... import呢，訪問時就直接寫上import後面的便可（可能的意思是這個import的東東是from這裏來的）。

三、python idle在backspace刪除時老是感受刪除半個byte，有個白框框，能夠按住alt鍵，一次刪一個，按ctrl是一次刪一個詞

四、可能也是python3的緣故，urlopen(url).read()返回的是bytes，而不是str，python中str和bytes轉化比較簡單，例如bytes--》string，a.decode(encoding="utf-8");string-->bytes，a.encode(encoding="utf8")

五、對於天然語言處理，首先要將文本分詞，將標點符號和單詞分開，而後再處理

六、http://www.gutenberg.org/cache/epub/2554/pg2554.txt  --《罪與罰》的地址變動

七、使用nltk.clean_html(htmltext),報錯：builtins.NotImplementedError: To remove HTML markup, use BeautifulSoup's get_text() function，發現nltk再也不提供clearn_html和clean_url兩個函數功能。可使用Beautiful Soup項目提供的功能來處理html

八、安裝方法：

      import easy_install，easy_install packageName或者：

      curl http://www.crummy.com/software/BeautifulSoup/bs4/download/4.1/beautifulsoup4-4.1.2.tar.gz >> beautifulsoup4-4.1.2.tar.gz          

      tar zxvf beautifulsoup4-4.1.2.tar.gz

      cd beautifulsoup4-4.1.2  

      python setup.py install 

九、BeautifulSoup 4以後，import的包改成 bs4,以前是import BeautifulSoup，如今改成import bs4. 具體使用方法：

http://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

十、因爲沒法可靠地檢驗出文本內容的開始和結束、所以在從原始文本中挑出內容以前，須要手工檢查文件來發現標記內容開始和結尾的特定字符串（使用find/rfind--反向查找）