使用nltk处理中文语料（1）- 统计相关

1、概述

nltk作为自然语言处理（nlp）领域里经常被使用的一款工具。本身自带的语料大部分是英文的，其实跟对中文文档，稍作处理之后也是可以使用的，这里主要介绍nlp在中文领域的基础应用。

2、nltk安装

关于nltk的安装网上有很多的文章介绍，可以使用pip install nltk 命令非常方便的安装nltk。一般在安装完成之后需要使用download命令来下载相关的语料库，这些语料库是官方自带的，大部分是英文语料。很多nltk的教程都是基于这些语料来做的。在执行download命令时，可以由于网络环境的原因下载失败，此时可以从网上下载语料，放在环境变量所制定的文件中，就可以加载使用了。可以从下面连接下载语料：

http://pan.baidu.com/s/1hswoU5u

可以将下载的语料解压之后，放在下面目录中的任何一个就可以了：

• ~/nltk_data 
• /usr/share/nltk_data
• /usr/local/share/nltk_data
• /usr/lib/nltk_data
• /usr/local/lib/nltk_data

注意：这里“~”代表用户所在的主目录

3、加载中文语料

nltk自带了很多统计的功能，但针对中文来讲，分词的工作需要我们手动完成。然后再把处理过的文本封装成nltk的“text”对象。然后才能使用nltk进行处理。

3.1 使用结巴进行分词

分词的目的是为nltk的text对象提供封装的语料，所以我们使用结巴分词的lcut方法进行分词，该方法与cut方法不同，返回的分词是一个list对象请参照下面代码：

import jieba
wordlist = jieba.lcut("盗墓不是请客吃饭