您的位置：首页 > 编程语言 > Python开发

Python NLTK结合stanford NLP工具包进行文本处理

2017-11-28 09:06 495 查看

【NLP】干货！Python NLTK结合stanford NLP工具包进行文本处理

阅读目录

目录
1 NLTK和StandfordNLP简介
2 安装配置过程中注意事项
3 StandfordNLP必要工具包下载
4 StandfordNLP相关核心操作
5 参考文献和知识扩展

干货！详述Python
NLTK下如何使用stanford NLP工具包

作者：白宁超
2016年11月6日19:28:43

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，后续会继续采用大秦帝国语料对分词、词性标注、命名实体识别、句法分析、句法依存分析进行详细演示。关于python基础知识，可以参看【Python五篇慢慢弹】系列文章（本文原创编著，转载注明出处:干货！详述Python
NLTK下如何使用stanford NLP工具包）

【Python NLP】干货！详述Python NLTK下如何使用stanford
NLP工具包(1)
【Python NLP】Python 自然语言处理工具小结(2)
【Python NLP】Python NLTK 走进大秦帝国(3)
【Python NLP】Python NLTK获取文本语料和词汇资源(4)
【Python NLP】Python NLTK处理原始文本(5)

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：http://nlp.stanford.edu/software/

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

stanfordNLTK ：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
Jar1.8 ：如果你本机是Java
8以上版本，可以不用下载了
NLTK ：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stanford-segmenter-2015-12-09.zip
(version 3.6.0) 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stanford-postagger-full-2015-12-09.zip (version
3.6.0) 解压获取stanford-postagger.jar
命名实体识别压缩包：下载stanford-ner-2015-12-09.zip (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stanford-parser-full-2015-12-09.zip (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nltk-develop ，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：

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 ：相关参考资料

执行结果：