当前位置:首页 > 芯闻号 > 充电吧
[导读]欲先攻其事必先利其器1、 安装nltk,使用[python] view plain copypip install nltk  2、 在命令行下执行  [python] view plain copy

欲先攻其事必先利其器
1、 安装nltk,使用[python] view plain copypip install nltk  

2、 在命令行下执行  

[python] view plain copyimport nltk  nltk.download('punkt')  一段原始文本要可以处理必须经过几个阶段,一般而言主要有
1、文本清理,清理掉一些不必要的字符,比如使用BeautifulSoup的get_text,一处非ascii字符等等
2、语句分离,一大段原生文本,处理成一系列的语句,用计算机术语而言就是将一个字符串分割成若干字符串,可以使用"."或者"。"或者nltk_tokenize预置的预处理函数,(使用方式 from nltk.tokenize import sent_tokenize)
3、标识化处理,机器所能理解的最小单位是单词,所以我们在语句分离的基础上还要进行分词操作,也就是将一个原生字符串分割成一系列有意义的单词NLP标识化处理的复杂性根据应用的不同而不同,标识器有很多,比如split,word_tokenize和regex_tokenize
4、词干提取,较为粗糙的规则处理过程,修枝剪叶,比如eating,eaten 共同的词根是eat,我在处理时,认为eating和eaten就是一个eat就ok
5、词性还原,包含了词根所有的变化,词性还原操作会根据当前上下文环境,将词根还原成当前应该表现的形式使用方式(from nltk.stem import WordNetLemmatizer)

6、停用词移除,比如无意义的the a  an 等词汇会被移除,一般停用词表示人工定制的,也有一些是根据给定语料库自动生成的nltk包含22种语言的停用词表

根据以上观点,涉及到的python代码是:

[python] view plain copy# -*- coding: utf-8 -*-  import re  import requests  import operator  from bs4 import BeautifulSoup  from nltk.tokenize import sent_tokenize,wordpunct_tokenize,blankline_tokenize,word_tokenize  import nltk  import pymysql  import os    def mysql_select():      # 打开数据库连接      db = pymysql.connect(host="localhost",user="root",passwd="root",db="csdn",charset="utf8")      # 使用cursor()方法获取操作游标      cursor = db.cursor()      cursor.execute("SELECT * FROM `article_info` ORDER BY RAND() LIMIT 1")      # 提交到数据库执行      result = cursor.fetchall()      db.close()      return result    str_text = mysql_select()  #文本清理,我只需要content的内容  str_text = str_text[0]  #获得content  str_text = str_text[3]  #进行文本清理,去掉html  soup = BeautifulSoup(str_text, 'lxml')  str_text = soup.get_text()  #print("文本清理的结果: "+ str_text)  #语句分离器  text_list = sent_tokenize(str_text)  #标识化处理,针对所有的语句进行标识化处理  word_list = []  #使用nltk的内置函数进行语句分离  for sentence in text_list:      item_list = word_tokenize(sentence)      word_list.extend(item_list)  result_1_word_list = []  for word in word_list:      blank_list = blankline_tokenize(word)      result_1_word_list.extend(blank_list)      ''''' print("查看分词结果") for item in result_1_word_list:     print(item)     '''  #去掉停用詞  stop_words = [word.strip().lower() for word in ['{','}','(',')',']','[']]  clean_tokens = [tok for tok in result_1_word_list if len(tok.lower())>1 and (tok.lower not in stop_words)]  token_nltk_result = nltk.FreqDist(clean_tokens)  for k,v in token_nltk_result.items():      print(str(k)+" : "+str(v))  token_nltk_result.plot(10,cumulative=True)  

本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除。
换一批
延伸阅读

9月2日消息,不造车的华为或将催生出更大的独角兽公司,随着阿维塔和赛力斯的入局,华为引望愈发显得引人瞩目。

关键字: 阿维塔 塞力斯 华为

加利福尼亚州圣克拉拉县2024年8月30日 /美通社/ -- 数字化转型技术解决方案公司Trianz今天宣布,该公司与Amazon Web Services (AWS)签订了...

关键字: AWS AN BSP 数字化

伦敦2024年8月29日 /美通社/ -- 英国汽车技术公司SODA.Auto推出其旗舰产品SODA V,这是全球首款涵盖汽车工程师从创意到认证的所有需求的工具,可用于创建软件定义汽车。 SODA V工具的开发耗时1.5...

关键字: 汽车 人工智能 智能驱动 BSP

北京2024年8月28日 /美通社/ -- 越来越多用户希望企业业务能7×24不间断运行,同时企业却面临越来越多业务中断的风险,如企业系统复杂性的增加,频繁的功能更新和发布等。如何确保业务连续性,提升韧性,成...

关键字: 亚马逊 解密 控制平面 BSP

8月30日消息,据媒体报道,腾讯和网易近期正在缩减他们对日本游戏市场的投资。

关键字: 腾讯 编码器 CPU

8月28日消息,今天上午,2024中国国际大数据产业博览会开幕式在贵阳举行,华为董事、质量流程IT总裁陶景文发表了演讲。

关键字: 华为 12nm EDA 半导体

8月28日消息,在2024中国国际大数据产业博览会上,华为常务董事、华为云CEO张平安发表演讲称,数字世界的话语权最终是由生态的繁荣决定的。

关键字: 华为 12nm 手机 卫星通信

要点: 有效应对环境变化,经营业绩稳中有升 落实提质增效举措,毛利润率延续升势 战略布局成效显著,战新业务引领增长 以科技创新为引领,提升企业核心竞争力 坚持高质量发展策略,塑强核心竞争优势...

关键字: 通信 BSP 电信运营商 数字经济

北京2024年8月27日 /美通社/ -- 8月21日,由中央广播电视总台与中国电影电视技术学会联合牵头组建的NVI技术创新联盟在BIRTV2024超高清全产业链发展研讨会上宣布正式成立。 活动现场 NVI技术创新联...

关键字: VI 传输协议 音频 BSP

北京2024年8月27日 /美通社/ -- 在8月23日举办的2024年长三角生态绿色一体化发展示范区联合招商会上,软通动力信息技术(集团)股份有限公司(以下简称"软通动力")与长三角投资(上海)有限...

关键字: BSP 信息技术
关闭
关闭