安装自然语言处理工具Nltk以及初次使用

步骤一：卸载已经安装的python
步骤二：安装python科学计算工具，里面自动安装了很多库，像numpy，matplotlib，nltk等等，并且会自动安装python，安装完成后，不需要配置环境。下载地址https://www.continuum.io/downloads
我安装的版本是https://repo.continuum.io/archive/Anaconda2-4.2.0-Windows-x86.exe
步骤三：安装pymysql，因为这个工具不包含连接mysql的库。http://www.cnblogs.com/lovely7/p/5828419.html 见之前写的安装。

数据库使用示范：

import pymysql

conn= pymysql.connect(
        host='localhost',
        port = 3306,
        user='root',
        passwd='',
        db ='ad',
        )
#cOnn= MySQLdb.connect(user='root', password='', use_unicode=True)
cursor = conn.cursor()

sql = "SELECT title,abstract,pmb_id,time,url FROM `article` "
a = cursor.execute(sql)
print a
b = cursor.fetchmany(a)  #b has 7887 abstract list

titleandabstractList = []
pmbIDdict= {}
yearlist = []
url_dict = {}
for j in range(a):
    titleandabstractList.append(b[j][0]+b[j][1])
    pmbIDdict[j] = b[j][2]
    yearlist.append(b[j][3].year)
    url_dict[j] = b[j][4]

分词使用示范：使用MWETokenizer可以对词组做分词处理。

from nltk.tokenize import MWETokenizer

tokenizer = MWETokenizer([('a', 'little'), ('a', 'little', 'bit'), ('a', 'lot')])
tokenizer.add_mwe(('in', 'spite', 'of'))

 



未成功的方法
Install Python: http://www.python.org/download/releases/2.7.3/
安装Numpy (optional): http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy
安装Setuptools: http://pypi.python.org/packages/2.7/s/setuptools/setuptools-0.6c11.win32-py2.7.exe
安装 Pip: Start>Run... c:\Python27\Scripts\easy_install pip
安装PyYAML and NLTK: Start>Run... c:\Python27\Scripts\pip install pyyaml nltk

我的电脑之前装过numpy，setuptools，和pip，只需要在python2.7的scripts目录下运行

pip install pyyaml nltk即可。

http://blog.sina.com.cn/s/blog_8af1069601019xmo.html

http://blog.csdn.net/joey_su/article/details/17287559

http://blog.csdn.net/alihonglong/article/details/52668801
http://www.ibm.com/developerworks/cn/opensource/os-pythonnltk/index.html

一 ：以上都是理论可行的方法，但是最近实验室网不行，下载总是timeout。最后使用手机4g连接https://pypi.python.org/simple/nltk/
下载了nltk-3.0.5.win32.exe  终于成功下载安装。
import nltk没有问题

二：https://pypi.python.org/simple/pyyaml/下载安装了 PyYAML-3.10.win32-py2.7.exe

三：下载nltk数据源 。nltk_data是必要的nltk数据包，实现分词，词性标注，命名实体识别等功能都要用到这个数据包

import nltk
nltk.download()

出现

但是下载速度会比较慢

或者到http://www.nltk.org/nltk_data/ 手动下载

但是实验室的网速下了一夜也没下载成功，参考

http://blog.csdn.net/cxq2046/article/details/50972715

下载会很慢或干脆卡住。此时需要手动下载nltk_data包。

 下载方法：到https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源里面有部分是压缩包，需要解压

将Packages文件夹改名为nltk_data，放在以下任一路径：

分词 http://wenku.baidu.com/link?url=xJtphneI5792wB7hsIRjB6L8TTT-bCjCEjCzs8Jm_NfzsHRPImge68J3SaiBzrYT5BvFFLn_Vd8J9Z0j5EQyhVgOAKqUazdZE-uSfzhhZL3