NLTK入门

首先要了解python的基本语法，

　　其中列表的处理，字符串的格式化，以及词汇的比较运算（包括判断某一个词语开头是否大小写等）

专有名词：

　　1. 分词：用于产生词汇和标点符号的链表

安装完NlLTK后，

　　import nltk

　　nltk.download()　　

计算text1中每个词的平均出现次数公式：

　　avg = len(text1)/len(set(text1))

计算text1中某个词的出现频率

　　p = text1.count('a')/len(text1)

import nltk
from nltk.book import *    #所有的文本数据导入，（text1 ~text9）

nltk.download() #下载所需的训练文本数据
text1.concordance('monstrous')    #查找text1文本中存在monstrous的
text1.count('word')   #计算word在text1中出现的次数
text1.silimar('monstrous')
text1.common_contexts(['monstrous', 'very'])    #查看使用两个或者两个以上词语的上下文
text1.dispersion_plot(['word1', 'word2', 'word3', ...])   #画出这些词语分布的离散图
text1.generate()    #生成text1中的随机文本
fdist1 = FreqDist(text1)    #可以用来寻找text1中最常见的词
fdist1.key()[:50]
fdist = FreqDist([len(w) for x in text1])    #FreqDist不仅可以显示词，还可以显示没个词对应的长度，【1， 3，5，6，11，5，9，......】
fdist.keys()    # 查询计数链表中的每个数字出现的次数，以频率递减顺序的样本链表
fdist.items()    #[(3,50223), (9,988), ...] 词长度为3的有50223个
fdist[3]  #查看词长为3的有多少个，
fdist.fred(3)   #计算词长为3的词频。
fdist.fred['a']　　#计算a的出现频率
fdist.hapaxes()　　　#查看只出现一次的词
fdist.inc(sample)　　#增加样本
fdist['a']　　#计算给定样本出现的次数
fdist.N{}　　#样本总数
fdist.tabulate()　　#绘制频率分布表
fdist.plot()　　#绘制频率分布图
fdist.plot(cumulative=True)　　#绘制累积频率分布图
fdist1 < fdist2　　#测试数据fdist1是否小于fdist2

2.处理网页中获取的文本内容

from urllib.request import urlopen
url = "www.xxxx.com/a.txt"
raw = urlopen(url).read() # raw是从某url获取的文本
tokens = nltk.word_tokenize(raw)    #此时tokens为含有词汇和标点的链表
text = nltk.Text(tokens) #text为<type. 'nltk.text.Text'> 对象
text.collocations()   #找文本中频繁相邻的二元组
a = raw.find('PART I')　　# 找到文中以 PART I 开头的词语在哪一个位置
b = raw.rfind('where are you')　　#找到以wehere are you 结尾的位置在哪个位置，
raw = raw[a:b]　　#可以根据此方式去除不需要的开头和结尾的文本内容

3. 处理html 网络的文本大部分是以html的形式，可以用一下方式进行简单的处理

url = 'www.youtube.com'
html = urlopen(url).read()   #html包含了网址中的所有内容，css，jss，html代码等
raw = nltk.clean_html(html)    #nltk 中提供的处理html的辅助函数。返回处理后的原始文本 ，然后可以对raw进行word_tokenize（）分词处理