NLTK中文语料库sinica_treebank

NLTK包含Sinica （中央研究院）提供的繁体中文语料库，其在Python环境下的显示有些讲究。

NLTK sinica_treebank 显示中文

在IDLE中如果直接查看的话会显示十六进制码：

>>> from nltk.corpus import sinica_treebank
>>> sinica_treebank.words()
['\xe4\xb8\x80', '\xe5\x8f\x8b\xe6\x83\x85', ...]

如果想在IDLE中查看这些进制码对应的中文的话，可以：

>>> print '\xe4\xb8\x80'
一

NLTK中文词性标注

一个一个手动print太蠢了，一段代码自动让它好看起来：

# -*- coding:utf-8 -*-
# Filename: sinica_treebank.py
# Author：hankcs
# Date: 2014-04-08 上午11:44
import nltk
from nltk.corpus import sinica_treebank

sinica_text = nltk.Text(sinica_treebank.words())
print sinica_text
for (key, var) in sinica_treebank.tagged_words()[:8]:
    print '%s/%s' % (key, var),

输出：

<Text: 一 友情 嘉珍 和 我 住在 同一條 巷子...>
一/Neu 友情/Nad 嘉珍/Nba 和/Caa 我/Nhaa 住在/VC1 同一條/DM 巷子/Nab

NLTK中文句法树

>>> sinica_treebank.parsed_sents()[15].draw()

真是神奇的Python！

搜索中文文本

在IDLE中不方便调编码，还是写进py文件吧：

# -*- coding:utf-8 -*-
# Filename: sinica_treebank.py
# Author：hankcs
# Date: 2014-04-08 上午11:44
import nltk
from nltk.corpus import sinica_treebank

sinica_text = nltk.Text(sinica_treebank.words())
print sinica_text.concordance('我')

输出：

Building index...
Displaying 25 of 724 matches:
                                      我 住在 同一條 巷子 我們 是 �
�� 一起 回家 有一天 上學 時 我 到 她 家 等候 按 了 門鈴 卻
��鈴 卻 沒有 任何 動靜 正當 我 想 離開 時 門 內 突然 傳來 
�� 了 門 大聲 的 叫 著 快 點 我 媽媽 暈倒 了 嘉珍 抓起 我 �
� 我 媽媽 暈倒 了 嘉珍 抓起 我 的 手 急忙 往 屋 裡 跑 進入
 得 像 紙 一樣 這種 情景 把 我 嚇壞 了 怎麼辦 嘉珍 不停 �
��停 的 哭泣 聲音 有些 顫抖 我 的 腦海 中 頓時 一片 空白 �
� 怎麼辦 才 好 過 了 一會兒 我 才 問 她 你 爸爸 呢 他 出差
 他 出差 了 嘉珍 擦 著 眼淚 我 握住 她 的 雙手 她 的 手 又
�� 這時 有個 念頭 突然 閃過 我 的 眼前 我 幫 她 撥 了 一一
� 念頭 突然 閃過 我 的 眼前 我 幫 她 撥 了 一一九 請 救護�
 她 的 背 安慰 她 不要 著急 我 會 陪 你 的 不久 救護車 停 
��上 救護車 嘉珍 上車 前 對 我 說 謝謝 你 的 幫忙 我 握 著
前 對 我 說 謝謝 你 的 幫忙 我 握 著 她 的 手 說 不用 謝 �
�� 握 著 她 的 手 說 不用 謝 我 因為 我們 是 好朋友 二 無�
員外 來 找 他 並且 對 他 說 我 看 你 悶悶不樂 是不是 進京
�� 著 他 的 手 說 你 不用 還 我 了 我 只是 盡 一份 心力 而�
�� 的 手 說 你 不用 還 我 了 我 只是 盡 一份 心力 而已 以�
 銀子 含 著 眼淚 說 謝謝 您 我 不 知道 要 怎麼 來 報答 您 
答 您 江 巡撫 說 你 不必 謝 我 也 不必 回報 我 四 快樂 的 
 你 不必 謝 我 也 不必 回報 我 四 快樂 的 閱讀課 上 國語�
�� 這一組 做 讀書 心得 報告 我 第一個 站起來 發言 我們 閱
�過 兩 人 成為 知心 的 朋友 我 說完 之後 組長 站起來 補充
清理 火山灰 而且 欣賞 落日 我 喜歡 這種 自由自在 的 生活
的 人 也 不 喜歡 虛偽 的 人 我 覺得 小 王子 很 正直 最後 �
None

这里面的�大概是字体的原因吧，毕竟不是繁体中文系统。本文的原作者指出：

concordance 會出現 � 的原因是因為這個字的被切一半 , 因為 UTF-8 編碼中文要有三個byte ‘xe4xb8x80′ , 出現�� 表示被切成這樣 ‘xe4xb8′, 少一個 byte

茅塞顿开。

控制台乱码的话可能需要decode成unicode然后在encode成gb编码：

s = "中文"

if isinstance(s, unicode):
    # s=u"中文"
    print s.encode('gb2312')
else:
    # s="中文"
    print s.decode('utf-8').encode('gb2312')

NLTK计算中文高频词

>>> sinica_fd=nltk.FreqDist(sinica_treebank.words())
>>> top100=sinica_fd.items()[0:100]
>>> for (x,y) in top100:
	print x,y

	
的 6776
、 1482
在 1331
是 1317
了 1190
有 759
我 724
他 688
就 627
上 612
和 580
也 542
不 526
人 467
都 417
與 404
著 389
我們 384

初步的NLTK中文玩法就这些了，还是挺不错的。

参考

这篇文章是对Mark Chang的文章的实践。

http://cpmarkchang.logdown.com/posts/184192-python-nltk-sinica-treebank

 知识共享署名-非商业性使用-相同方式共享：码农场 » NLTK中文语料库sinica_treebank