Q3：python3怎么应用nltk自然语言处理库
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。自然语言工具箱（NLTK，Natural Language Toolkit）是一个基于Python语言的类库，它也是当前最为流行的自然语言编程与开发工具。在进行自然语言处理研究和应用时，恰当利用NLTK中提供的函数可以大幅度地提高效率。本文就将通过一些实例来向读者介绍NLTK的使用。
开发环境：我所使用的python版本是最新的3.5.1，NLTK版本是3.2。Python的安装不在本文的讨论范围内，我们略去不表。你可以从NLTK的官网上获得最新版本的NLTK。Anyway，使用pip指令来完成NLTK包的下载和安装无疑是最简便的方法。
当然，当你完成这一步时，其实还不够。因为NLTK是由许多许多的包来构成的，此时运行Python，并输入下面的指令（当然，第一条指令还是要导入NLTK包）
>>> import nltk
>>> nltk.download()然后，Python Launcher会弹出下面这个界面，建议你选择安装所有的Packages，以免去日后一而再、再而三的进行安装，也为你的后续开发提供一个稳定的环境。某些包的Status显示“out of date”，你可以不必理会，它基本不影响你的使用与开发。
既然你已经安装成功，我们来小试牛刀一下。当然本文涉及的主要任务都是自然语言处理中最常用，最基础的pre-processing过程，结合机器学习的高级应用我们会在后续文章中再进行介绍。
1、 Sentences Segment（分句）
也就是说我们手头有一段文本，我们希望把它分成一个一个的句子。此时可以使用NLTK中的 punkt sentence segmenter。来看示例代码
>>> sent_tokenizer = nltk.data.load(tokenizers/punkt/english.pickle)
>>> paragraph = "The first time I heard that song was in Hawaii on radio.
... I was just a kid, and loved it very much! What a fantastic song!"
>>> sentences = sent_tokenizer.tokenize(paragraph)
>>> sentences
[The first time I heard that song was in Hawaii on radio.,
I was just a kid, and loved it very much!,
What a fantastic song!]由此，我们便把一段话成功分句了。
2、Tokenize sentences （分词）
接下来我们要把每个句话再切割成逐个单词。最简单的方法是使用NLTK 包中的 WordPunct tokenizer。来看示例代码
>>> from nltk.tokenize import WordPunctTokenizer
>>> sentence = "Are you old enough to remember Michael Jackson attending
... the Grammys with Brooke Shields and Webster sat on his lap during the show?"
>>> words = WordPunctTokenizer().tokenize(sentence)
>>> words
[Are, you, old, enough, to, remember, Michael, Jackson, attending,
the, Grammys, with, Brooke, Shields, and, Webster, sat, on, his,
lap, during, the, show, ?]我们的分词任务仍然完成的很好。除了WordPunct tokenizer之外，NLTK中还提供有另外三个分词方法，
TreebankWordTokenizer，PunktWordTokenizer和WhitespaceTokenizer，而且他们的用法与WordPunct tokenizer也类似。然而，显然我们并不满足于此。对于比较复杂的词型，WordPunct tokenizer往往并不胜任。此时我们需要借助正则表达式的强大能力来完成分词任务，此时我所使用的函数是regexp_tokenize()。来看下面这段话
>>> text = That U.S.A. poster-print costs $12.40...目前市面上可以参考的在Python下进行自然语言处理的书籍是由Steven Bird、Ewan Klein、Edward Loper编写的《Python 自然语言处理》。但是该书的编写时间距今已有近十年的时间，由于软件包更新等语言，在新环境下进行开发时，书中的某些代码并不能很正常的运行。最后，我们举一个书中代码out of date的例子（对上面这就话进行分词），并给出相应的解决办法。首先来看书中的一段节录
>>> text = That U.S.A. poster-print costs $12.40...
>>> pattern = r(?x)# set flag to allow verbose regexps
...([A-Z]\.)+# abbreviations, e.g. U.S.A.
...\w+(-\w+)*# words with optional internal hyphens
...\$?\d+(\.\d+)?%?# currency and percentages, e.g. $12.40, 82%
...\.\.\.# ellipsis
...[][.,;"?():-_`]# these are separate tokens; includes ], [
...
>>> nltk.regexp_tokenize(text, pattern)
我们预期得到输出应该是这样的
[python] view plain copy
[That, U.S.A., poster-print, costs, $12.40, ...]但是我们实际得到的输出却是这样的（注意我们所使用的NLTK版本）
[python] view plain copy
[(, , ),
(A., , ),
(, -print, ),
(, , ),
(, , .40),
(, , )]会出现这样的问题是由于nltk.internals.compile_regexp_to_noncapturing()在V3.1版本的NLTK中已经被抛弃（尽管在更早的版本中它仍然可以运行），为此我们把之前定义的pattern稍作修改
[python] view plain copy
pattern = r"""(?x)# set flag to allow verbose regexps
(?:[A-Z]\.)+# abbreviations, e.g. U.S.A.
|\d+(?:\.\d+)?%?# numbers, incl. currency and percentages
|\w+(?:[-]\w+)*# words w/ optional internal hyphens/apostrophe
|\.\.\.# ellipsis
|(?:[.,;"?():-_`])# special characters with meanings
"""
再次执行前面的语句，便会得到
[python] view plain copy
>>> nltk.regexp_tokenize(text, pattern)
[That, U.S.A., poster-print, costs, 12.40, ...]以上便是我们对NLTK这个自然语言处理工具包的初步探索，日后主页君将结合机器学习中的方法再来探讨一些更为深入的应用。最后，我想说《Python 自然语言处理》仍然是当前非常值得推荐的一本讲述利用NLTK和Python进行自然语言处理技术的非常值得推荐的书籍。
