Python NLTK 处理原始文本
关于处理原始文本部分导入语句:
>>> from __future__ import division
>>> import nltk,re,pprint
1 从网络和硬盘访问文本(在线获取伤寒杂病论)
python网络访问程序:
>>> from __future__ import division
>>> import nltk,re,pprint
>>> from urllib.request import urlopen
>>> url=r'http://www.gutenberg.org/files/24272/24272-0.txt'
>>> raw=urlopen(url).read()
>>> raw = raw.decode('utf-8')
>>> len(raw)
70306
>>> raw[2000:2500]
运行结果:
对其中文分词:
>>> from nltk.tokenize import StanfordSegmenter
>>> segmenter = StanfordSegmenter(
path_to_jar=r"E:toolsstanfordNLTKjarstanford-segmenter.jar",
path_to_slf4j=r"E:toolsstanfordNLTKjarslf4j-api.jar",
path_to_sihan_corpora_dict=r"E:toolsstanfordNLTKjardata/",
path_to_model=r"E:toolsstanfordNLTKjardatapku.gz",
path_to_dict=r"E:toolsstanfordNLTKjardatadict-chris6.ser.gz"
)
>>> result = segmenter.segment(raw)
>>> result[1000:2500]
分词结果:
2 在线获取处理HTML文本(红楼梦)
在线获取html文本资料:
>>> import re,nltk
>>> from urllib.request import urlopen
>>> url='http://www.gutenberg.org/cache/epub/24264/pg24264-images.html'
>>> html=urlopen(url).read()
>>> html=html.decode('utf-8')
>>> html[5000:5500]
运行结果:
相关正则知识:
- d 匹配一个数字
- w 匹配一个字母或者数字
- * 任意个字符(包括0个),
- + 至少一个字符
- ? 0个或1个字符
- {n} n个字符
- {n,m} n-m个字符
- s 匹配一个空格
- s+ 至少有一个空格
- d{3,8} 表示3-8个数字,例如'1234567'
- d{3}s+d{3,8}
- [0-9a-zA-Z_] 匹配一个数字、字母或者下划线
- [0-9a-zA-Z_]+ 匹配至少由一个数字、字母或者下划线组成的字符串,
- 比如'a100','0_Z','Py3000'等等;
- [a-zA-Z_][0-9a-zA-Z_]*可以匹配由字母或下划线开头,后接任意个由一个数字、字母或者下划线组成的字符串,也就是Python合法的变量
- [a-zA-Z_][0-9a-zA-Z_]{0, 19}更精确地限制了变量的长度是1-20个字符(前面1个字符+后面最多19个字符)
- A|B可以匹配A或B,所以(P|p)ython可以匹配'Python'或者'python'
- ^表示行的开头,^d表示必须以数字开头
- 表示行的结束,d
- 表示必须以数字结束
正则表达式进行数据清洗:
>>> len(html)
962651
>>> strhtml=re.sub("[s+.!/_,$%^*(+"']+|[+——!,。??、~@#¥%……&*()]+|[A-Za-z0-9]+","",html)#去掉中英文符号
>>> len(strhtml)
781150
>>> strhtml[5000:5500]
清洗后结果:
红楼梦进行中文分词
>>> # 红楼梦进行中文分词
>>> from nltk.tokenize import StanfordSegmenter
>>> segmenter = StanfordSegmenter(
path_to_jar=r"E:toolsstanfordNLTKjarstanford-segmenter.jar",
path_to_slf4j=r"E:toolsstanfordNLTKjarslf4j-api.jar",
path_to_sihan_corpora_dict=r"E:toolsstanfordNLTKjardata/",
path_to_model=r"E:toolsstanfordNLTKjardatapku.gz",
path_to_dict=r"E:toolsstanfordNLTKjardatadict-chris6.ser.gz"
)
>>> result = segmenter.segment(raw)
查找分析:查找“曰”后面的内容
re.findall(r'(曰.{,3})',strhtml)
备注:处理搜索引擎的结果:基于自己配置的搜索引擎处理
3 处理RSS订阅
>>> import feedparser #feedparser需要在python库中下载
>>> llog=feedparser.parse(url)
4 读取本地文件:strip()方法删除输入行结尾的换行符
方法一:
>>> f=open(r"E:dictq0.txt","r")
>>> for line in f:
print(line.strip())
方法二:
>>> with open(r"C:UserscuitbncDesktopdqdg.txt","r+") as f:
str=f.read()
方法三:
>>> import nltk
>>> path=nltk.data.find(r'C:UserscuitbncDesktopdqdg.txt')
>>> raw=open(path,'rU').read()
>>> len(raw)
673167
>>>
PDF或者MSWord以及其他二进制提取文本,利用第三方函数库pypdf和pywin32
>>> raw=open(r"E:dictq0.txt","r").read()
>>> tokens=nltk.word_tokenize(raw)
>>> words=[w for w in tokens]
>>> vocab=sorted(set(words))
>>> vocab
5 字符串:最底层的文本处理
有用的字符串方法:
- s.find(t) 字符串s中包含t的第一个索引s.rfind(t) 字符串s中包含t的最后一个索引
- s.index(t) 与s.find(t)类似
- s.rindex(t) 与s.rfind(t)类似
- s.join(text)
- s.split(t) 字符串分割
- s.splitlines()
- s.lower()
- s.upper()
- s.titlecase() s首字母大写
- s.strip() 返回一个没有首尾空白字符的s的复制
- s.replace(t,u) 用u替换s中的t
链表和字符串的差异:字符串和链表都是一种序列,可以通过索引抽取他们一部分,可以切片,可以合并。但是,链表和字符串不能连接
6 使用Unicode进行文字处理
解码:文件中的文本都有特定的编码,需要一些机制将文本翻译成Unicode的过程就是解码。 编码:将Uniocde写入一个文件或者终端,首先需要将Unicode转化为合适的编码,这个过程就是编码
中文解码问题
>>> raw=open(r"E:dicttext.txt","r").read()
Traceback (most recent call last):
File "<pyshell#18>", line 1, in <module>
raw=open(r"E:dicttext.txt","r").read()
UnicodeDecodeError: 'gbk' codec can't decode byte 0x80 in position 16: illegal multibyte sequence
>>> import codecs
>>> f=codecs.open(r"E:dicttext.txt",'r',encoding="utf-8").read()
ord()查找字符的整数序列
>>> ord('a')
97
>>> ord('f')
102
7 使用正则表达式检测词组搭配
import re 导入re函数库
re.search('ed′,w)查询w字符串中是都ed结尾匹配[wforwinwordlistifre,search(′ed
',w)]
通配符“.”可以用来匹配任何单个字符。例如:有一个8个字母组成的字谜,j是第三个字母,t的第六个字母,每个空白单元格用句点隔开.(^字符串开始,$字符串结束)
[w for w in wordlist if re.search('^..j..t..$',w)]
计算文本中词出现次数 sum(w for w in text if re.search('^e-?mail$',w))
搜索数字
[w for w in wordlist if re.search('^[0-9]+.[0-9]+$',w)]
[w for w in wordlist if re.search('^[0-9]{4}$',w)]
python正则表达式基本元字符
- . 通配符,匹配所有字符
- ^abc 匹配以abc开始的字符串
- abc$ 匹配以abc结尾的字符串
- [abc] 匹配字符集合
- [A-Z0-9] 匹配字符范围
- ed|ing|s 匹配指定的字符串,诸如ed或者ing或者s
- * 前面项目0个或者多个,如a*/[a-z]* (也叫Kleene闭包)
- + 前面项目1个或者多个,如a+、[a-z]+
- ? 前面项目0个或者1个,如a?、[a-z]?
- {n} 重复n次
- {n,} 至少重复n次
- {,n} 重复不多于n次
- {m,n} 至少重复m次不多于n次
- a(b|c)+ 括号表示操作符的范围
- 正则表达式符号:
- b 词边界
- d 任何数字等于[0-9]
- D 任何非数字等于[^0-9]
- s 任何空白字符[tnrfv]
- S 任何非空白字符[^tnrfv]
- w 任何字母[A-Za-z0-9]
- W 任何非字母[^A-Za-z0-9]
- t 制表符
- n 换行符
指定条件查询分析:
>>> f=codecs.open(r"E:dictq0.txt",'r').read()
>>> import re
>>> re.findall(r"大秦",f)
['大秦']
>>> re.findall(r"庞涓",f)
['庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓', '庞涓']
>>> len(re.findall(r"庞涓",f))
33
>>>
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法