Python NLTK提取有用的chunk

文本的資訊很多，我們需要如何提取有用的資訊？

比如一句話：

 Json is a good boy

我們希望得到的資訊是json 和 a good boy

那麼首先我們需要對句子進行分詞和判斷單詞的屬性：

可以用下面的代碼：

def ie_preprocess(document):...    sentences = nltk.sent_tokenize(document) ...    sentences = [nltk.word_tokenize(sent) for sent in sentences] ...    sentences = [nltk.pos_tag(sent) for sent in sentences] 

然後需要我們規定需要提取的資訊的類型：

也就是文法上的格式：

grammar = "NP: {<DT>?<JJ>*<NN>}"

這裡DT是定語，JJ是形容詞，NN是名詞

cp = nltk.RegexpParser(grammar)

之後使用

result = cp.parse(sentence) 

對語句進行分析

會得到一個nltk.tree.Tree的結構的東西

然後我們通過：

for n in chunked:if isinstance(n, nltk.tree.Tree):if n.node=='NP':a = n

這樣的代碼拿到我們需要的片段

實際中，這個方法並不能去掉一些非英語的單詞

我們可以加入：

d = enchant.Dict("en_US")

這樣的判讀去刪選。

希望對大家有協助。