Python NLTK结合stanford NLP工具包进行文本处理

irobot

Python NLTK结合stanford NLP工具包进行文本处理

2016-12-18

摘要：NLTK是由宾夕法尼亚大学计算机和信息科学使用python语言实现的一种自然语言工具包，其收集的大量公开数据集、模型上提供了全面、易用的接口，涵盖了分词、词性标注(Part-Of-Speech tag, POS-tag)、命名实体识别(Named Entity Recognition, NER)、句法分析(Syntactic Parse)等各项 NLP 领域的功能。而Stanford NLP 是由斯坦福大学的 NLP 小组开源的 Java 实现的 NLP 工具包，同样对 NLP 领域的各个问题提供了解决办法。斯坦福大学的 NLP 小组是世界知名的研究小组，能将 NLTK 和 Stanford NLP 这两个工具包结合起来使用，那对于自然语言开发者是再好不过的！在 2004 年 Steve Bird 在 NLTK 中加上了对 Stanford NLP 工具包的支持，通过调用外部的 jar 文件来使用 Stanford NLP 工具包的功能。本分析显得非常方便好用。本文主要介绍NLTK（Natural language Toolkit）下配置安装Stanford NLP ，以及对Standford NLP核心模块进行演示，使读者简单易懂的学习本章知识。

1 NLTK和StandfordNLP简介

---

NLTK：由宾夕法尼亚大学计算机和信息科学使用python语言实现的一种自然语言工具包，其收集的大量公开数据集、模型上提供了全面、易用的接口，涵盖了分词、词性标注(Part-Of-Speech tag, POS-tag)、命名实体识别(Named Entity Recognition, NER)、句法分析(Syntactic Parse)等各项 NLP 领域的功能。

Stanford NLP：由斯坦福大学的 NLP 小组开源的 Java 实现的 NLP 工具包，同样对 NLP 领域的各个问题提供了解决办法。斯坦福大学的 NLP 小组是世界知名的研究小组，能将 NLTK 和 Stanford NLP 这两个工具包结合起来使用，那对于自然语言开发者是再好不过的！在 2004 年 Steve Bird 在 NLTK 中加上了对 Stanford NLP 工具包的支持，通过调用外部的 jar 文件来使用 Stanford NLP 工具包的功能。本分析显得非常方便好用。

本文在主要介绍NLTK 中提供 Stanford NLP 中的以下几个功能:

• 中英文分词: StanfordTokenizer
• 中英文词性标注: StanfordPOSTagger
• 中英文命名实体识别: StanfordNERTagger
• 中英文句法分析: StanfordParser
• 中英文依存句法分析: StanfordDependencyParser, StanfordNeuralDependencyParser
  
  

2 安装配置过程中注意事项

---

本文以Python 3.5.2和java version "1.8.0_111"版本进行配置，具体安装需要注意以下几点：

• Stanford NLP 工具包需要 Java 8 及之后的版本，如果出错请检查 Java 版本
• 本文的配置都是以 Stanford NLP 3.6.0 为例，如果使用的是其他版本，请注意替换相应的文件名
• 本文的配置过程以 NLTK 3.2 为例，如果使用 NLTK 3.1，需要注意该旧版本中 StanfordSegmenter 未实现，其余大致相同
• 下面的配置过程是具体细节可以参照：[url=]http://nlp.stanford.edu/software/[/url]
  
  

3 StandfordNLP必要工具包下载

---

必要包下载：只需要下载以下3个文件就够了，stanfordNLTK文件里面就是StanfordNLP工具包在NLTK中所依赖的jar包和相关文件

• [url=]stanfordNLTK[/url]：自己将所有需要的包和相关文件已经打包在一起了，下面有具体讲解
• [url=]Jar1.8[/url] ：如果你本机是Java 8以上版本，可以不用下载了
• [url=]NLTK[/url] ：这个工具包提供Standford NLP接口
  
  

以上文件下载后，Jar如果是1.8的版本可以不用下载，另外两个压缩包下载到本地，解压后拷贝文件夹到你的python安装主路径下，然后cmd进入NLTK下通过python setup.py install即可。后面操作讲路径简单修改即可。（如果不能正常分词等操作，查看python是否是3.2以上版本，java是否是8以后版本，jar环境变量是否配置正确）

StanfordNLTK目录结构如下：（从各个压缩文件已经提取好了，如果读者感兴趣，下面有各个功能的源码文件）

• 分词依赖：stanford-segmenter.jar、 slf4j-api.jar、data文件夹相关子文件
• 命名实体识别依赖：classifiers、stanford-ner.jar
• 词性标注依赖：models、stanford-postagger.jar
• 句法分析依赖：stanford-parser.jar、stanford-parser-3.6.0-models.jar、classifiers
• 依存语法分析依赖：stanford-parser.jar、stanford-parser-3.6.0-models.jar、classifiers
  
  

压缩包下载和源码分析：

• 分词压缩包：StanfordSegmenter和StanfordTokenizer:下载[url=]stanford-segmenter-2015-12-09.zip (version 3.6.0)[/url] 解压获取目录中的 stanford-segmenter-3.6.0.jar 拷贝为 stanford-segmenter.jar和 slf4j-api.jar
• 词性标注压缩包：下载[url=]stanford-postagger-full-2015-12-09.zip[/url](version 3.6.0) 解压获取stanford-postagger.jar
• 命名实体识别压缩包：下载[url=]stanford-ner-2015-12-09.zip[/url](version 3.6.0) ，将解压获取stanford-ner.jar和classifiers文件
• 句法分析、句法依存分析：下载[url=]stanford-parser-full-2015-12-09.zip[/url](version 3.6.0) 解压获取stanford-parser.jar 和 stanford-parser-3.6.0-models.jar
  
  

4 StandfordNLP相关核心操作

---

4.1 分词

StanfordSegmenter 中文分词：下载52nlp改过的NLTK包[url=]nltk-develop[/url] ，解压后将其拷贝到你的python目录下，进去E:\Python\nltk-develop采用python 编辑器打开setup.py文件，F5运行，输入以下代码：

1 2 3 4 5 6 7 8 9 10 11

>>> from nltk.tokenize.stanford_segmenter import StanfordSegmenter >>> segmenter = StanfordSegmenter(     path_to_jar=r"E:\tools\stanfordNLTK\jar\stanford-segmenter.jar",     path_to_slf4j=r"E:\tools\stanfordNLTK\jar\slf4j-api.jar",     path_to_sihan_corpora_dict=r"E:\tools\stanfordNLTK\jar\data",     path_to_model=r"E:\tools\stanfordNLTK\jar\data\pku.gz",     path_to_dict=r"E:\tools\stanfordNLTK\jar\data\dict-chris6.ser.gz" ) >>> str="我在博客园开了一个博客，我的博客名叫伏草惟存，写了一些自然语言处理的文章。" >>> result = segmenter.segment(str) >>> result

执行结果：

程序解读：StanfordSegmenter 的初始化参数说明:

• path_to_jar: 用来定位jar包，本程序分词依赖stanford-segmenter.jar（注: 其他所有 Stanford NLP 接口都有 path_to_jar 这个参数。）
• path_to_slf4j: 用来定位slf4j-api.jar作用于分词
• path_to_sihan_corpora_dict: 设定为 stanford-segmenter-2015-12-09.zip 解压后目录中的 data 目录， data 目录下有两个可用模型 pkg.gz 和 ctb.gz 需要注意的是，使用 StanfordSegmenter 进行中文分词后，其返回结果并不是 list ，而是一个字符串，各个汉语词汇在其中被空格分隔开。
  
  

StanfordTokenizer 英文分词 [url=]：相关参考资料[/url]

1 2 3 4 5 6 7 8

Python 3.5.2 (v3.5.2:4def2a2901a5, Jun 25 2016, 22:01:18) [MSC v.1900 32 bit (Intel)] on win32 Type "copyright", "credits" or "license()" for more information. >>> from nltk.tokenize import StanfordTokenizer >>> tokenizer = StanfordTokenizer(path_to_jar=r"E:\tools\stanfordNLTK\jar\stanford-parser.jar") >>> sent = "Good muffins cost $3.88\nin New York.  Please buy me\ntwo of them.\nThanks." >>> print(tokenizer.tokenize(sent)) ['Good', 'muffins', 'cost', '$', '3.88', 'in', 'New', 'York', '.', 'Please','buy', 'me', 'two', 'of', 'them', '.', 'Thanks', '.'] >>>

执行结果：

4.2 命名实体识别

StanfordNERTagger 英文命名实体识别

1 2 3 4

>>> from nltk.tag import StanfordNERTagger >>> eng_tagger = StanfordNERTagger(model_filename=r'E:\tools\stanfordNLTK\jar\classifiers\english.all.3class.distsim.crf.ser.gz',path_to_jar=r'E:\tools\stanfordNLTK\jar\stanford-ner.jar') >>> print(eng_tagger.tag('Rami Eid is studying at Stony Brook University in NY'.split())) [('Rami', 'PERSON'), ('Eid', 'PERSON'), ('is', 'O'), ('studying', 'O'), ('at', 'O'), ('Stony', 'ORGANIZATION'), ('Brook', 'ORGANIZATION'), ('University', 'ORGANIZATION'), ('in', 'O'), ('NY', 'O')]

运行结果：

StanfordNERTagger 中文命名实体识别

1 2 3 4 5 6

>>> result '四川省 成都 信息 工程 大学 我 在 博客 园 开 了 一个 博客 ， 我 的 博客 名叫 伏 草 惟 存 ， 写 了 一些 自然语言 处理 的 文章 。\r\n' >>> from nltk.tag import StanfordNERTagger >>> chi_tagger = StanfordNERTagger(model_filename=r'E:\tools\stanfordNLTK\jar\classifiers\chinese.misc.distsim.crf.ser.gz',path_to_jar=r'E:\tools\stanfordNLTK\jar\stanford-ner.jar') >>> for word, tag in  chi_tagger.tag(result.split()):     print(word,tag)

运行结果：

4.3 词性标注

StanfordPOSTagger 英文词性标注

1 2 3

>>> from nltk.tag import StanfordPOSTagger >>> eng_tagger = StanfordPOSTagger(model_filename=r'E:\tools\stanfordNLTK\jar\models\english-bidirectional-distsim.tagger',path_to_jar=r'E:\tools\stanfordNLTK\jar\stanford-postagger.jar') >>> print(eng_tagger.tag('What is the airspeed of an unladen swallow ?'.split()))

运行结果：

StanfordPOSTagger 中文词性标注

1 2 3 4 5

>>> from nltk.tag import StanfordPOSTagger >>> chi_tagger = StanfordPOSTagger(model_filename=r'E:\tools\stanfordNLTK\jar\models\chinese-distsim.tagger',path_to_jar=r'E:\tools\stanfordNLTK\jar\stanford-postagger.jar') >>> result '四川省 成都 信息 工程 大学 我 在 博客 园 开 了 一个 博客 ， 我 的 博客 名叫 伏 草 惟 存 ， 写 了 一些 自然语言 处理 的 文章 。\r\n' >>> print(chi_tagger.tag(result.split()))

运行结果：

4.4 句法分析：[url=]参考文献资料[/url]

StanfordParser英文语法分析

1 2 3

>>> from nltk.parse.stanford import StanfordParser >>> eng_parser = StanfordParser(r"E:\tools\stanfordNLTK\jar\stanford-parser.jar",r"E:\tools\stanfordNLTK\jar\stanford-parser-3.6.0-models.jar",r"E:\tools\stanfordNLTK\jar\classifiers\englishPCFG.ser.gz") >>> print(list(eng_parser.parse("the quick brown fox jumps over the lazy dog".split())))

运行结果：

StanfordParser 中文句法分析

1 2 3 4

>>> from nltk.parse.stanford import StanfordParser >>> chi_parser = StanfordParser(r"E:\tools\stanfordNLTK\jar\stanford-parser.jar",r"E:\tools\stanfordNLTK\jar\stanford-parser-3.6.0-models.jar",r"E:\tools\stanfordNLTK\jar\classifiers\chinesePCFG.ser.gz") >>> sent = u'北海 已 成为 中国 对外开放 中 升起 的 一 颗 明星' >>> print(list(chi_parser.parse(sent.split())))

运行结果：

4.5 依存句法分析

StanfordDependencyParser 英文依存句法分析

1 2 3 4 5

>>> from nltk.parse.stanford import StanfordDependencyParser >>> eng_parser = StanfordDependencyParser(r"E:\tools\stanfordNLTK\jar\stanford-parser.jar",r"E:\tools\stanfordNLTK\jar\stanford-parser-3.6.0-models.jar",r"E:\tools\stanfordNLTK\jar\classifiers\englishPCFG.ser.gz") >>> res = list(eng_parser.parse("the quick brown fox jumps over the lazy dog".split())) >>> for row in res[0].triples():     print(row)

运行结果：

StanfordDependencyParser 中文依存句法分析

1 2 3 4 5

>>> from nltk.parse.stanford import StanfordDependencyParser >>> chi_parser = StanfordDependencyParser(r"E:\tools\stanfordNLTK\jar\stanford-parser.jar",r"E:\tools\stanfordNLTK\jar\stanford-parser-3.6.0-models.jar",r"E:\tools\stanfordNLTK\jar\classifiers\chinesePCFG.ser.gz") >>> res = list(chi_parser.parse(u'四川 已 成为 中国 西部 对外开放 中 升起 的 一 颗 明星'.split())) >>> for row in res[0].triples():     print(row)

运行结果：

5 参考文献和知识扩展

---

• NLTK官方网站
• NLTK的API
• NLTK中使用斯坦福中文分词器
• GitHub上NLTK源码
  
  

本文转自博客园 作者白宁超