失眠网 > 『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

『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

时间：2022-03-27 18:22:31

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。

页面导航

结巴分词词性标注去停用词去标点符号最终代码参考文章

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 psegsentence = "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 pseglist = []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 s.flag in tag_filter)])print("词性过滤完成")print(list)

去停用词

去停用词时，首先要用到停用词表，常见的有哈工大停用词表及百度停用词表，在网上随便下载一个即可。

在去停用词之前，首先要通过load_stopword( )方法来加载停用词列表，接着按照上文所示，加载自定义词典，对句子进行分词，然后判断分词后的句子中的每一个词，是否在停用词表内，如果不在，就把它加入outstr，用空格来区分。

import jieba# 加载停用词列表def load_stopword():f_stop = open('hit_stopwords.txt', encoding='utf-8') # 自己的中文停用词表sw = [line.strip() for line in f_stop] # strip() 方法用于移除字符串头尾指定的字符（默认为空格）f_stop.close()return sw# 中文分词并且去停用词def seg_word(sentence):file_userDict = 'dict.txt' # 自定义的词典jieba.load_userdict(file_userDict)sentence_seged = jieba.cut(sentence.strip())stopwords = load_stopword()outstr = ''for word in sentence_seged:if word not in stopwords:if word != '/t':outstr += wordoutstr += " "print(outstr)return outstrif __name__ == '__main__':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"seg_word(sentence)

去标点符号

导入re包，定义标点符号，使用sub( )方法将之替换。

import resentence = "+蚂=蚁！花!呗/期?免,息★.---《平凡的世界》：了*解一（#@）个“普通人”波涛汹涌的内心世界！"sentenceClean = []remove_chars = '[·’!"\#$%&\'()＃！（）*+,-./:;<=>?\@，：?￥★、…．＞【】［］《》？“”‘’\[\\]^_`{|}~]+'string = re.sub(remove_chars, "", sentence)sentenceClean.append(string)print(sentence)print(sentenceClean)

最终代码

最后结合上面的内容，将它们封装到一个TextProcess类中。 filePath 是刚开始要处理的文本位置， fileSegDonePath 是处理完毕后要保存的位置。

思路是先将要处理的文本逐行保存到一个fileTrainRead的列表中，然后有两种方法可供选择：

加载停用词表，对它进行分词及去停用词操作，保存到word_list_seg列表中；

或者也可以选择不分词及去停用词，而是直接从句子中提取需要的词性，然后保存到word_list_pos列表中。

由于停用词及词性过滤都对句子标点进行了去除，因此该类中不包含标点符号的去除。最后将处理好的句子写入文件中。

import jiebaimport jieba.posseg as psegclass TextProcess(object):def __init__(self, filePath, fileSegDonePath):self.filePath = filePath # 需要处理的文本位置self.fileSegDonePath = fileSegDonePath # 处理完毕后的保存位置self.fileTrainRead = [] # 所有行保存到该列表self.stopPath = "hit_stopwords.txt" # 自己所用的停用词表位置self.word_list_seg = [] # 分词及去停用词后保存的列表self.word_list_pos = [] # 词性过滤后保存的列表# 将每一行文本依次存放到一个列表def saveLine(self):count = 0 # 统计行数with open(self.filePath, encoding='utf-8') as fileTrainRaw:for index, line in enumerate(fileTrainRaw):self.fileTrainRead.append(line)count += 1print("一共有%d行" % count)return self.fileTrainRead# 加载停用词表def load_stopword(self):f_stop = open(self.stopPath, encoding='utf-8') # 自己的中文停用词表sw = [line.strip() for line in f_stop] # strip() 方法用于移除字符串头尾指定的字符（默认为空格）f_stop.close()return sw# 分词并且去停用词，与下一个词性过滤方法选择一个即可def segLine(self):file_userDict = 'dict.txt' # 自定义的词典jieba.load_userdict(file_userDict)for i in range(len(self.fileTrainRead)):sentence_seged = jieba.cut(self.fileTrainRead[i].strip())stopwords = self.load_stopword()outstr = ''for word in sentence_seged:if word not in stopwords:if word != '/t':outstr += wordoutstr += " "self.word_list_seg.append([outstr])print("分词及去停用词完成")return self.word_list_seg# 保留特定词性def posLine(self):for i in range(len(self.fileTrainRead)):tag_filter = ['n', 'd', 'a', 'v', 'f', 'ns', 'vn'] # 需要保留的词性 d-副词 f-方位词 ns-地名 vn-名动词seg_result = pseg.cut(self.fileTrainRead[i]) # 结果是一个pair，有flag和word两种值self.word_list_pos.append([" ".join(s.word for s in seg_result if s.flag in tag_filter)])print("词性过滤完成")return self.word_list_pos# 处理后写入文件def writeFile(self):with open(self.fileSegDonePath, 'wb') as fs:for i in range(len(self.word_list_seg)): # 选择去停用词方法fs.write(self.word_list_seg[i][0].encode('utf-8'))fs.write('\n'.encode("utf-8"))'''for i in range(len(self.word_list_pos)): # 选择词性过滤方法fs.write(self.word_list_pos[i][0].encode('utf-8'))fs.write('\n'.encode("utf-8"))'''if __name__ == '__main__':tp = TextProcess('ex.txt', 'final.txt')tp.saveLine() # 将每一行文本依次存放到一个列表tp.load_stopword() # 加载停用词表tp.segLine()# tp.posLine()tp.writeFile()

原始文本（爬取的酒店评论部分数据）：

各方面条件都很好，就是住进去时没有明面窗户屋子里比较潮，后来用了除湿器。
位置特别好，出入方便，酒店前台、门童服务特别好。
就在步行街路口，位置不错。酒店服务也挺好的。
酒店各方面非常不错。“健身房”实在是短板。太影响整体形象
酒店位置很好中山路步行街口，有停车场出行很方便。
早餐品种丰富，工作人员很热情，海景房能观赏鼓浪屿夜景相当不错！
早点丰富，出行方便！

选择去停用词方法效果：