『NLP自然语言处理』中文文本的分词、去标点符号、去停用词、词性标注

利用Python代码实现中文文本的自然语言处理，包括分词、去标点符号、去停用词、词性标注&过滤。

在刚开始的每个模块，介绍它的实现。最后会将整个文本处理过程封装成 TextProcess 类。

结巴分词

jieba 是比较好的中文分词库，在此之前，需要 pip install jieba

结巴分词有三种模式：

• 全模式 ：把句子中所有的可以成词的词语都扫描出来

jieba.cut(text, cut_all=True)

• 精确模式 ：将句子最精确地切开，适合文本分析

jieba.cut(text, cut_all=False)  # 默认模式

• 搜索引擎模式 ：在精确模式的基础上，对长词再次切分，适合用于搜索引擎分词

jieba.cut_for_search(txt)

三种分词效果如下图所示：
想要进一步了解 jieba 三种模式，请参考 详细介绍 。因为我要做的是文本分析，所以选用的是默认的精确模式。

对于一些词，比如“吃鸡”，jieba 往往会将它们分成 “吃” 和 “鸡” ，但是又不太想让它们分开，这该怎么做呢？这时候就需要加载自定义的词典 dict.txt。建立该文档，在其中加入“吃鸡”，执行以下代码：

file_userDict = 'dict.txt'  # 自定义的词典
jieba.load_userdict(file_userDict)

效果对比图：

词性标注

在用 posseg 分词后，结果是一对值，包括 word 和 flag ，可以用 for 循环获取。关于汉语词性对照表，请看 词性标注表

import jieba.posseg as pseg
sentence = "酒店就在海边，去鼓浪屿很方便。"
words_pair = pseg.cut(sentence)
result = " ".join(["{0}/{1}".format(word, flag) for word, flag in words_pair])
print(result)

在此基础上，可以进一步做词性过滤，只保留特定词性的词。首先在 tag_filter 表明想要留下哪些词，接着对于词性标注后的句子中的每一个词，如果词性符合，则加入到 list 中。在这里只保留了名词和动词。

import jieba.posseg as pseg
list = []
sentence = "人们宁愿去关心一个蹩脚电影演员的吃喝拉撒和鸡毛蒜皮，而不愿了解一个普通人波涛汹涌的内心世界"
tag_filter = ['n', 'v']  # 需要保留的词性
seg_result = pseg.cut(sentence)  # 结果是一个pair，有flag和word两种值
list.append([" ".join(s.word for s in seg_result if