本文简要介绍Python自然语言处理(NLP)，使用Python的NLTK库。NLTK是Python的自然语言处理工具包，在NLP领域中，最常使用的一个Python库。

什么是NLP?

简单来说，自然语言处理(NLP)就是开发能够理解人类语言的应用程序或服务。

这里讨论一些自然语言处理(NLP)的实际应用例子，如语音识别、语音翻译、理解完整的句子、理解匹配词的同义词，以及生成语法正确完整句子和段落。

这并不是NLP能做的所有事情。

NLP实现

搜索引擎: 比如谷歌，Yahoo等。谷歌搜索引擎知道你是一个技术人员，所以它显示与技术相关的结果;

社交网站推送:比如Facebook News Feed。如果News Feed算法知道你的兴趣是自然语言处理，就会显示相关的广告和帖子。

语音引擎:比如Apple的Siri。

垃圾邮件过滤:如谷歌垃圾邮件过滤器。和普通垃圾邮件过滤不同，它通过了解邮件内容里面的的深层意义，来判断是不是垃圾邮件。

NLP库

下面是一些开源的自然语言处理库(NLP)：

Natural language toolkit (NLTK);

Apache OpenNLP;

Stanford NLP suite;

Gate NLP library

其中自然语言工具包(NLTK)是最受欢迎的自然语言处理库(NLP)，它是用Python编写的，而且背后有非常强大的社区支持。

NLTK也很容易上手，实际上，它是最简单的自然语言处理(NLP)库。

在这个NLP教程中，我们将使用Python NLTK库。

安装 NLTK

如果您使用的是Windows/Linux/Mac，您可以使用pip安装NLTK:

pip install nltk

打开python终端导入NLTK检查NLTK是否正确安装：

import mltk

如果一切顺利，这意味着您已经成功地安装了NLTK库。首次安装了NLTK，需要通过运行以下代码来安装NLTK扩展包:

import nltk

nltk.download()

这将弹出NLTK 下载窗口来选择需要安装哪些包:

您可以安装所有的包，因为它们的大小都很小，所以没有什么问题。

使用Python Tokenize文本

首先，我们将抓取一个web页面内容，然后分析文本了解页面的内容。

我们将使用urllib模块来抓取web页面:

从打印结果中可以看到，结果包含许多需要清理的HTML标签。

然后BeautifulSoup模块来清洗这样的文字:

现在我们从抓取的网页中得到了一个干净的文本。

下一步，将文本转换为tokens,像这样:

统计词频

text已经处理完毕了，现在使用Python NLTK统计token的频率分布。

可以通过调用NLTK中的FreqDist()方法实现:

如果搜索输出结果，可以发现最常见的token是PHP。

您可以调用plot函数做出频率分布图:

这上面这些单词。比如of,a,an等等，这些词都属于停用词。

一般来说，停用词应该删除，防止它们影响分析结果。

处理停用词

NLTK自带了许多种语言的停用词列表，如果你获取英文停用词:

现在，修改下代码,在绘图之前清除一些无效的token:

最终的代码应该是这样的:

现在再做一次词频统计图，效果会比之前好些，因为剔除了停用词：

使用NLTK Tokenize文本

在之前我们用split方法将文本分割成tokens，现在我们使用NLTK来Tokenize文本。

文本没有Tokenize之前是无法处理的，所以对文本进行Tokenize非常重要的。token化过程意味着将大的部件分割为小部件。

你可以将段落tokenize成句子，将句子tokenize成单个词，NLTK分别提供了句子tokenizer和单词tokenizer。

假如有这样这段文本:

使用句子tokenizer将文本tokenize成句子:

输出如下:

这是你可能会想，这也太简单了，不需要使用NLTK的tokenizer都可以，直接使用正则表达式来拆分句子就行，因为每个句子都有标点和空格。

那么再来看下面的文本:

这样如果使用标点符号拆分,Hello Mr将会被认为是一个句子，如果使用NLTK:

输出如下:

这才是正确的拆分。

接下来试试单词tokenizer:

输出如下:

Mr.这个词也没有被分开。NLTK使用的是punkt模块的PunktSentenceTokenizer，它是NLTK.tokenize的一部分。而且这个tokenizer经过训练，可以适用于多种语言。