自然语言处理（三）文本处理之分词专题
上次我们了解了文本处理的流程，已经了解了文本处理的大体轮廓。“光说不练假把式！”今天，我们就来实际演练一下文本处理。
分词（Tokenize）
分词就是将句子拆分成一个个具有意义的“小部件”。仿佛就是传送带上的一个个小物品。
例如“Hello，everyone!”这个句子，经过NLTK分词（还不了解NLTK的可以参考下小叮当深度学习：自然语言处理（一）布朗语料库），这个句子便以词为单位存储在了列表中（包括标点符号）。
在使用NLTK执行分词之前，我们需要先安装“punkt”部件。“punkt”包含了许多预训练好的分词模型。如果没有安装“punkt”，我们在使用时系统将会报错，提示我们进行安装。
我们执行“import nltk ”、“nltk.download('punkt')”安装“punkt”部件。等待运行完毕，即可。
具体代码如下：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
__author__ = 'IT小叮当'
date: 2018 / 10 / 18
import nltk
nltk.download('punkt')
在确认“punkt”已安装之后，我们便可以快乐地使用NLTK进行分词了。可以看到，“Hello ,eveyone!”的分词结果为一个列表，句子中的每个词和标点符号都是列表的一个元素。
具体代码如下：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
__author__ = 'IT小叮当'
date: 2018 / 10 / 18
import nltk
sentence = 'hello, everyone!'
tokens = nltk.word_tokenize(sentence)
print("分词后：")
print(tokens)
看到这儿，小伙伴们可能就有疑问了。英文单词之间自带空格，当然就可以直接分词了，那我泱泱华夏华五千年文明传承下来的汉语又该怎么进行分词呢？
且不说沈腾的“红鲤鱼绿鲤鱼与驴”，光是断句就很不容易，一不小心就可能理解成别的意思了。
例如：”汽水不如果汁好喝。”别说计算机了，有的小学生看见也会懵，到底该怎么断句？是“不如”还是“如果”？
“我家门前的小河很难过”是河很不好渡过，还是拟人修辞？这样的例子数不胜数~
那么，计算机该怎样应对中文分词呢？
我们以“今天/天气/不错/!"为例，来进行说明。对于英文“what a nice weather today!”计算机直接根据英文空格便可直接分词。
对于中文，计算机分词一般有两大类方法：（1）启发式（Heuristic）;(2)深度学习、机器学习、统计方法等，例如HMM（隐式马尔可夫）、CRF(条件随机场)等。
启发式（Heuristic）：
简单来说，就是你拿着一本现代汉语词典，来对照你要处理的文本。对于”今天天气不错!"，你将要判断“今天”、“今天天”、“今天天气”、“今天天气不”、“今天天气不错”等是否在字典里，如果在字典里就进行分词，例如“今天”在字典里，这句话就被分成“今天/天气不错”。之后，以同样的方法判断“天气不错”。最后便可以得到正确的分词“今天/天气/不错”。
深度学习：
另一种中文分词的方法就是深度学习，例如斯坦福大学的CoreNLP原生就支持中文分词。
简单来说，我们可以发现，中英文分词的主要区别就是“维度不同”。在自然语言处理角度来看，我们的每个汉字对应的就是英文里的每个字母。例如“word”和“千言万语”，在分词时，一个英文单词字母就相当于我们的一个汉字：w--千，o--言，r--万，d--语。
下面，我们就来看看常用的中文分词工具--Jieba
在python里jieba十分好用，我们直接import就行，当然如果你没安装jieba的话，可以参考下小叮当python:借用清华更新源，让你的pip飞起来！快速安装jieba（pip install jieba）
在jieba里我们直接利用cut即可分词。
jieba分词还可以根据需求设定分词的模式，例如“小明在塞上清华大学”，我们可以有“全模式”、“精确模式”、“搜索引擎模式”。
（1）全模式：jieba分词将根据最大的组词可能性来进行分词。我们设定“cut_all=True”，可以看到“小明在塞上清华大学”在全模式下的分词结果为：
“小/明/在/塞上/上清/清华/清华大学/华大/大学”
在这里可能的组词方式“塞上”、“上清”、“清华”、“华大”、“大学”全部都被罗列出来。
（2）精确模式：默认情况（不设置“cut_all”）下就是精确模式（cut_all=False）。精确模式，将按最符合汉语习惯的断句来进行分词，往往是最精确的。例如“小明在塞上清华大学”在精确模式下的分词结果为：
“小明/在/塞上/清华大学”
（3）搜索引擎模式：将罗列出一句话在搜索引擎里的所有可搜关键字。例如"小明硕士毕业于塞上小清华，后在波士顿大学深造"通过搜索引擎模式后的分词结果为：
“小明/硕士/毕业/于/塞上/小/清华/，/后/在/波士/大学/波士顿/波士顿大学/深造”
具体代码如下：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
__author__ = 'IT小叮当'
date: 2018 / 10 / 30
import jieba
sentence1=jieba.cut("小明在塞上清华大学",cut_all=True)
sentence2=jieba.cut("小明在塞上清华大学",cut_all=False)
sentence3=jieba.cut("小明在塞上清华大学")
sentence4=jieba.cut_for_search("小明硕士毕业于塞上小清华，后在波士顿大学深造")
print("全模式：")
print("/".join(sentence1))
print("---------------")
print("精确模式：")
print("/".join(sentence2))
print("---------------")
print("默认情况：")
print("/".join(sentence3))
print("---------------")
print("搜索引擎模式：")
print("/".join(sentence4))
另外，由于Jieba分词的Viterbi算法，它还可以进行一些新词的识别。例如，“小明来到了网易杭研大厦”，“杭研”是一栋大厦的名字，属于新词，但是jieba仍然能够正确的划分为“小明/来到/了/网易/杭研/大厦”
社交网络上的文本分词
在社交网络上，一些乱七八糟、不合语法、不合正常逻辑的语法有很多：比如@某人，表情符号，URL , #话题符号等。
我们以黄教主和baby某年的推特互动为例进行分析。
某年，黄教主在推特上艾特了baby，说道“RT @angelababy: love you baby! :D http://ah.love #168.com”
如果我们对这句话直接分词，将会得到大量的含有特殊符号的“噪声”信息。
代码如下：
#!/usr/bin/env python
# -*- coding:utf-8 -*-
__author__ = 'IT小叮当'
date: 2018 / 10 / 31
from nltk.tokenize import word_tokenize
tweet = 'RT @angelababy: love you baby! :D http://ah.love #168cm'
print(word_tokenize(tweet))
为了去除这些噪声信息，高度还原句子本身所要表达的意思，我们可以使用正则化的方法来实现。
#!/usr/bin/env python
# -*- coding:utf-8 -*-
__author__ = 'IT小叮当'
__time__ = '2019-03-20 16:03'
from nltk.tokenize import word_tokenize
#对表情做正则
import re
emoticons_str = r"""
(?: [:=;]
[oO\-]?
[D\)\]\(\]/\\OpP] )"""
regex_str = [
emoticons_str,
r'<[^>]+>', # HTML tags
r'(?:@[\w_]+)', # @某⼈人
r"(?:\#+[\w_]+[\w\'_\-]*[\w_]+)", # 话题标签
r'http[s]?://(?:[a-z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-f][0-9a-f]))+', # URLs
r'(?:(?:\d+,?)+(?:\.?\d+)?)', # 数字
r"(?:[a-z][a-z'\-_]+[a-z])", # 含有 - 和 ‘ 的单词
r'(?:[\w_]+)', # 其他
r'(?:\S)' # 其他
]
tokens_re = re.compile( r'('+'|'.join(regex_str)+')', re.VERBOSE | re.IGNORECASE )
emoticon_re = re.compile( r'^'+emoticons_str+'$', re.VERBOSE | re.IGNORECASE )
def tokenize(s):
return tokens_re.findall(s)
def preprocess(s, lowercase=False):
tokens = tokenize(s)
if lowercase:
tokens = [token if emoticon_re.search(token) else token.lower() for token in tokens]
return tokens
tweet = 'RT @angelababy: love you baby! :D http://ah.love #168cm'
print('正则化处理前：')
print(word_tokenize(tweet))
print('正则化处理后：')
print(preprocess(tweet))处理后的结果如下：
可以看到，经过正则化处理的后的tweet社交文本，可以帮助我们识别出简单的符号表情、网址等信息。
这对于语义的理解是十分重要的！
