用python做中文自然语言预处理

这篇博客根据中文自然语言预处理的步骤分成几个板块。以做LDA实验为例，在处理数据之前，会写一个类似于实验报告的东西，用来指导做实验，OK，举例：

一，实验数据预处理（python,结巴分词）
1.对于爬取的评论做分词和词性标注处理(mac-result.txt)
2.对于结果只用公版的停用词表去停用词，不进行人工筛选(mac-result1.txt)
3.保留：名词，名词短语（两者为评论描述主题）

　　　　形容词，动词，动词短语（对主题的描述）以及其他可能有实意的词
   去除：副词，标点,拟声词等无实意词包括/x
/zg /uj /ul /e /d /uz /y
             
结果为mac-result2.txt
4.标准化处理，合并空格，去除空白字符，处理后的文档变为“词，空格，词，空格。。。。”的形式。结果为：mac-result3.txt
5.复合词合成.分词结果不准确，有专有名词等，所以提取复合词
mac-result4.txt(提取的复合词表fuheci.txt)
6.做或者不做复合词提取，每十行合并（mac-result5.txt)直接做LDA实验，抽取主题。

标题是用Python做中文自然语言预处理，我将我所用的预处理全部贴到下面：

1，分词.词性标注以及去停用词。见上一篇博客：http://www.cnblogs.com/nlp-yekai/p/3711360.html

3，做词性筛选：

#coding utf-8

import os

import sys

import re

f1=open("/home/alber/data_base/jd_content/app-mac/mac-result1.txt",‘r‘)

txt=f1.readlines()

f1.close()

txtlist=[]

cixing=["/x","/zg","/uj","/ul","/e","/d","/uz","/y"]#词列表为自己定义要过滤掉的词性

for line in txt:

    line_list2=re.split(‘[ ]‘, line)

    line_list=line_list2[:]

    for segs in line_list2:

        for K in cixing:

            if K in segs:

                line_list.remove(segs)

                break

            else:

                pass

    txtlist.extend(line_list)

f2=open("/home/alber/data_base/jd_content/app-mac/mac-result2.txt",‘a‘)

resultlist=txtlist[:]

for v in txtlist:

    if "/" in v:

        slope=v.index("/")

        letter=v[0:slope]+" "

        f2.write(letter)

    else:

        f2.write(v)

4.标准化处理，去除空行，空白字符等。

#coding=utf-8

import os

import sys

import re

import time

f1=open("/home/alber/data_base/jd_content/app-mac/mac-result2.txt",‘r+‘)

f2=open("/home/alber/data_base/jd_content/app-mac/mac-result3.txt","a")

txt=f1.readlines()

f1.close()

list1=[]

for line in txt:

    if len(line)>=2:

        line_clean=" ".join(line.split())

        lines=line_clean+" "+"\n"

        f2.write(lines)

    else:

        pass

f2.close()

后面的以后再写吧，处理到这基本上可以导入各种模型跑起来了。