乾貨!詳述Python NLTK下如何使用stanford NLP工具包
作者:白寧超
2016年11月6日19:28:43
摘要:NLTK是由賓夕法尼亞大學計算機和信息科學使用python語言實現的一種自然語言工具包,其收集的大量公開數據集、模型上提供了全面、易用的接口,涵蓋了分詞、詞性標註(Part-Of-Speech tag, POS-tag)、命名實體識別(Named Entity Recognition, NER)、句法分析(Syntactic Parse)等各項 NLP 領域的功能。而Stanford NLP 是由斯坦福大學的 NLP 小組開源的 Java 實現的 NLP 工具包,同樣對 NLP 領域的各個問題提供瞭解決辦法。斯坦福大學的 NLP 小組是世界知名的研究小組,能將 NLTK 和 Stanford NLP 這兩個工具包結合起來使用,那對於自然語言開發者是再好不過的!在 2004 年 Steve Bird 在 NLTK 中加上了對 Stanford NLP 工具包的支持,通過調用外部的 jar 文件來使用 Stanford NLP 工具包的功能。本分析顯得非常方便好用。本文主要介紹NLTK(Natural language Toolkit)下配置安裝Stanford NLP ,以及對Standford NLP核心模塊進行演示,使讀者簡單易懂的學習本章知識,後續會繼續採用大秦帝國語料對分詞、詞性標註、命名實體識別、句法分析、句法依存分析進行詳細演示。關於python基礎知識,可以參看【Python五篇慢慢彈】系列文章(本文原創編著,轉載註明出處:乾貨!詳述Python NLTK下如何使用stanford NLP工具包)
目錄
【Python NLP】乾貨!詳述Python NLTK下如何使用stanford NLP工具包(1)
【Python NLP】Python 自然語言處理工具小結(2)
【Python NLP】Python NLTK 走進大秦帝國(3)
【Python NLP】Python NLTK獲取文本語料和詞彙資源(4)
【Python NLP】Python NLTK處理原始文本(5)
1 NLTK和StandfordNLP簡介
NLTK:由賓夕法尼亞大學計算機和信息科學使用python語言實現的一種自然語言工具包,其收集的大量公開數據集、模型上提供了全面、易用的接口,涵蓋了分詞、詞性標註(Part-Of-Speech tag, POS-tag)、命名實體識別(Named Entity Recognition, NER)、句法分析(Syntactic Parse)等各項 NLP 領域的功能。
Stanford NLP:由斯坦福大學的 NLP 小組開源的 Java 實現的 NLP 工具包,同樣對 NLP 領域的各個問題提供瞭解決辦法。斯坦福大學的 NLP 小組是世界知名的研究小組,能將 NLTK 和 Stanford NLP 這兩個工具包結合起來使用,那對於自然語言開發者是再好不過的!在 2004 年 Steve Bird 在 NLTK 中加上了對 Stanford NLP 工具包的支持,通過調用外部的 jar 文件來使用 Stanford NLP 工具包的功能。本分析顯得非常方便好用。
本文在主要介紹NLTK 中提供 Stanford NLP 中的以下幾個功能:
- 中英文分詞: StanfordTokenizer
- 中英文詞性標註: StanfordPOSTagger
- 中英文命名實體識別: StanfordNERTagger
- 中英文句法分析: StanfordParser
- 中英文依存句法分析: StanfordDependencyParser, StanfordNeuralDependencyParser
2 安裝配置過程中注意事項
本文以Python 3.5.2和java version "1.8.0_111"版本進行配置,具體安裝需要注意以下幾點:
- Stanford NLP 工具包需要 Java 8 及之後的版本,如果出錯請檢查 Java 版本
- 本文的配置都是以 Stanford NLP 3.6.0 爲例,如果使用的是其他版本,請注意替換相應的文件名
- 本文的配置過程以 NLTK 3.2 爲例,如果使用 NLTK 3.1,需要注意該舊版本中 StanfordSegmenter 未實現,其餘大致相同
- 下面的配置過程是具體細節可以參照:http://nlp.stanford.edu/software/
3 StandfordNLP必要工具包下載
必要包下載:只需要下載以下3個文件就夠了,stanfordNLTK文件裏面就是StanfordNLP工具包在NLTK中所依賴的jar包和相關文件
- stanfordNLTK :自己將所有需要的包和相關文件已經打包在一起了,下面有具體講解
- Jar1.8 :如果你本機是Java 8以上版本,可以不用下載了
- NLTK :這個工具包提供Standford NLP接口
以上文件下載後,Jar如果是1.8的版本可以不用下載,另外兩個壓縮包下載到本地,解壓後拷貝文件夾到你的python安裝主路徑下,然後cmd進入NLTK下通過python setup.py install即可。後面操作講路徑簡單修改即可。(如果不能正常分詞等操作,查看python是否是3.2以上版本,java是否是8以後版本,jar環境變量是否配置正確)
StanfordNLTK目錄結構如下:(從各個壓縮文件已經提取好了,如果讀者感興趣,下面有各個功能的源碼文件)
- 分詞依賴:stanford-segmenter.jar、 slf4j-api.jar、data文件夾相關子文件
- 命名實體識別依賴:classifiers、stanford-ner.jar
- 詞性標註依賴:models、stanford-postagger.jar
- 句法分析依賴:stanford-parser.jar、stanford-parser-3.6.0-models.jar、classifiers
- 依存語法分析依賴:stanford-parser.jar、stanford-parser-3.6.0-models.jar、classifiers
壓縮包下載和源碼分析:
- 分詞壓縮包:StanfordSegmenter和StanfordTokenizer:下載stanford-segmenter-2015-12-09.zip (version 3.6.0) 解壓獲取目錄中的 stanford-segmenter-3.6.0.jar 拷貝爲 stanford-segmenter.jar和 slf4j-api.jar
- 詞性標註壓縮包:下載stanford-postagger-full-2015-12-09.zip (version 3.6.0) 解壓獲取stanford-postagger.jar
- 命名實體識別壓縮包:下載stanford-ner-2015-12-09.zip (version 3.6.0) ,將解壓獲取stanford-ner.jar和classifiers文件
- 句法分析、句法依存分析:下載stanford-parser-full-2015-12-09.zip (version 3.6.0) 解壓獲取stanford-parser.jar 和 stanford-parser-3.6.0-models.jar
4 StandfordNLP相關核心操作
4.1 分詞
StanfordSegmenter 中文分詞:下載52nlp改過的NLTK包nltk-develop ,解壓後將其拷貝到你的python目錄下,進去E:\Python\nltk-develop採用python 編輯器打開setup.py文件,F5運行,輸入以下代碼:
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= "我在博客園開了一個博客,我的博客名叫伏草惟存,寫了一些自然語言處理的文章。" >>> result = segmenter.segment(str) >>> result |
執行結果:
程序解讀:StanfordSegmenter 的初始化參數說明:
- path_to_jar: 用來定位jar包,本程序分詞依賴stanford-segmenter.jar(注: 其他所有 Stanford NLP 接口都有 path_to_jar 這個參數。)
- path_to_slf4j: 用來定位slf4j-api.jar作用於分詞
- path_to_sihan_corpora_dict: 設定爲 stanford-segmenter-2015-12-09.zip 解壓後目錄中的 data 目錄, data 目錄下有兩個可用模型 pkg.gz 和 ctb.gz 需要注意的是,使用 StanfordSegmenter 進行中文分詞後,其返回結果並不是 list ,而是一個字符串,各個漢語詞彙在其中被空格分隔開。
StanfordTokenizer 英文分詞 :相關參考資料
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' ,
'.' ] >>> |
執行結果:
4.2 命名實體識別
StanfordNERTagger 英文命名實體識別
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' )] |
運行結果:
StanfordNERTagger 中文命名實體識別
1
2
3
4
5
6
|
>>> result '四川省 成都 信息 工程 大學 我 在 博客 園 開 了 一個 博客 , 我 的 博客 名叫 伏 草 惟 存 , 寫 了 一些 自然語言 處理 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) |
運行結果:
4.3 詞性標註
StanfordPOSTagger 英文詞性標註
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())) |
運行結果:
StanfordPOSTagger 中文詞性標註
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 大學 我 在 博客 園 開 了 一個 博客 , 我 的 博客 名叫 伏 草 惟 存 , 寫 了 一些 自然語言 處理 的 文章 。\r\n' >>> print(chi_tagger.tag(result.split())) |
運行結果:
4.4 句法分析:參考文獻資料
StanfordParser英文語法分析
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()))) |
運行結果:
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 成爲 中國 對外開放 中 升起 的 一 顆 明星' >>> print(list(chi_parser.parse(sent.split()))) |
運行結果:
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) |
運行結果:
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 成爲 中國 西部 對外開放 中 升起 的 一 顆 明星' .split())) >>> for
row in
res[0].triples(): print(row) |
運行結果:
5 參考文獻和知識擴展