英文文本分词之工具NLTK

文文本分词之工具NLTK

• 安装NLTK
• 停用词和标点符号包放置
• 验证

安装NLTK

pip install nltk
1

分词需要用到两个包：stopwords和punkt,需要下载：

import nltk

nltk.download('stopwords')
nltk.download('punkt')
1234

如果你能运行成功，那么恭喜，但多半要和我一样，被墙，然后下载失败。于是乎，需要手动下载，这里我已经打包好了，百度提取即可。

链接：https://pan.baidu.com/s/1ddVRG86W-dyk2O6TsIMXAw 
提取码：nltk 
12

此处也是要感激广大网友的无私分享和帮助！！！

停用词和标点符号包放置

言归正传，下载解压后要注意，stopwords里面还有个stopwords文件，punkt文件里面还有个punkt文件，我们需要的是里面的这两个文件，而不是最外围的同名文件，虽然包含的内容一样，但是python读取的时候路径会出错。将里面的stopwords和punkt文件夹分别移动到python安装目录下的两个子路径中，比如我的路径是F:\python38\Lib\nltk_data\corpora和F:\python38\Lib\nltk_data\tokenizers。需要说明的是，我的F:\python38\Lib路径下并没有nltk_data这个文件，没有？没有就让他有！新建文件夹，重命名即可。
然后在nltk_data中再新建两个文件夹：corpora和tokenizers。然后把停用词和标点分别移动到这两个文件里即可，亦即：corpora\stopwords和tokenizers\punkt。

验证

此处提供一段验证代码，明日开始nltk分词之旅！

from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords

punctuations = [',', '.', ':', ';', '?', '(', ')', '[', ']', '&', '!', '*', '@', '#', '$', '%']
data = "All work and no play makes jack dull boy. All work and no play makes jack a dull boy."
words = word_tokenize(data)
words = [word for word in words if word not in punctuations]   # 去除标点符号
stopWords = set(stopwords.words('english'))
wordsFiltered = []

for w in words:
    if w not in stopWords:
        wordsFiltered.append(w)

print(wordsFiltered)
123456789101112131415

完结，可以愉快地听歌了。