NLPPython3.6.5中使用 Stanford NLP工具包进行词性标注

Posted 2021-01-22 jane460334861

摘要：本文在Linux Ubuntu1804下Python3.6.5环境中实现了StanfordNLP的词性标注。

 

1. 写在前面

《NLP汉语自然语言处理原理与实践》（郑捷著）是一本专业研究自然语言处理的书籍，本文作者在阅读这本书，调试其中的程序代码时，发现由于版本升级，导致其中的某些程序无法执行。本文针对书中第24页“安装StanfordNLP并编写Python接口类”部分的程序，列出在版本升级后出现的问题，以及相应的解决方案。本文也可以单独作为学习StanfordNLP工具包的学习文档。

 

2. 开发环境：

l Linux Ubuntu 1804（64位）

l Java 1.8.0

l Python 3.6.5

l Stanford coreNLP 3.9.2

l Stanford postagger 3.9.1

StanfordNLP压缩包下载地址：https://nlp.stanford.edu/software/

 

3. StanfordNLP的接口类（调试通过）：

Stanford.py

 

# -*- coding: utf-8 -*-

import sys

import os

class StanfordCoreNLP():

    def __init__(self, jarpath):

        self.root = jarpath

        self.tempsrcpath = "tempsrc"

        #self.jarlist = ["ejml-0.23.jar","javax.json.jar","jollyday.jar","joda-time.jar","protobuf.jar","slf4j-api.jar","slf4j-simple.jar","stanford-corenlp-3.9.2.jar","xom.jar"]   书上给的这些jar文件，都不需要，只需要下面的一个“stanfor-postagger.jar”。

        self.jarlist = ["stanford-postagger.jar"]

        self.jarpath = ""

        self.buildjars()

 

#java -mx300m -cp "/home/test/opt/stanford/stanford-postagger-full-2018-02-27/stanford-postagger.jar" edu.stanford.nlp.tagger.maxent.MaxentTagger -model "/home/test/opt/stanford/stanford-corenlp-full-2018-10-05/models/edu/stanford/nlp/models/pos-tagger/chinese-distsim/chinese-distsim.tagger" -textFile postest.txt > result.txt

 

    def buildjars(self):  #根据root路径构建所有的jar包路径

        for jar in self.jarlist:

            self.jarpath += self.root + jar + ":" 

 

    def savefile(self,path,sent):

        fp = open(path, "wb")

        fp.write(sent.encode(‘utf-8‘))

        fp.close()

 

    def delfile(self,path):

        os.remove(path)

 

class StanfordPOSTagger(StanfordCoreNLP):

    def __init__(self,jarpath,modelpath):

        StanfordCoreNLP.__init__(self,jarpath)

        self.modelpath = modelpath

        self.classifier = "edu.stanford.nlp.tagger.maxent.MaxentTagger"

        self.delimiter = "/"

        self.__buildcmd()

 

    def __buildcmd(self):

        self.cmdline = ‘java -mx1g -cp "‘+self.jarpath + ‘" ‘ + self.classifier + ‘ -model "‘ + self.modelpath + ‘"‘

        #print("self.cmdline is : " + self.cmdline)

 

    def tag(self,sent):

        self.savefile(self.tempsrcpath,sent)

        tagtxt = os.popen(self.cmdline + " -textFile " + self.tempsrcpath, ‘r‘).read()

        self.delfile(self.tempsrcpath)

        return tagtxt

 

    def tagfile(self,inputpath,outpath):

        os.system(self.cmdline + ‘ -textFile ‘ + inputpath + ‘ > ‘ + outpath)

说明：

（1）、StanfordNLP存放路径：/home/test/opt/stanford/。

（2）、书中所给的Jar包都不需要，只需要更换成一个Jar包：stanford-postagger.jar。

（3）、Java测试成功的语句放在注释中，方便使用。从这个语句中，我们可以看得出来，词性标注所用的文件是stanford-postagger.jar，模型文件是chinese-distsim.tagger，它们存放在不同的路径下。

（4）、Java测试时所用的输入文件postest.txt，其中写入要进行词性标注的内容，标注结果放在输出文件result.txt中，只需要创建一个空的输出文件即可，这两个文件都要放在stanford-postagger.jar所在路径中。

（4）、构建jar包路径时，不能使用冒号“：”，要用分号“；”。

（5）、Python3.6.5中，不能直接使用fp.write(sent），要改成fp.write(sent.encode(‘utf-8‘))。

 

4. 测试程序（调试通过）：

stanford_test.py

 

# -*- coding: utf-8 -*-

import sys

import os

from stanford import StanfordPOSTagger

 

root = ‘/home/test/opt/stanford/stanford-postagger-full-2018-02-27/‘

modelpath = "/home/test/opt/stanford/stanford-corenlp-full-2018-10-05/models/edu/stanford/nlp/models/pos-tagger/chinese-distsim/chinese-distsim.tagger"

st = StanfordPOSTagger(root,modelpath)

seg_sent = ‘在 包含 问题 的 所有 解 的 解空间 树 中 ，按照 深度优先 搜索 的 策略 ，从 根节点 出发 深度 搜索 解空间 树 。‘

taglist = st.tag(seg_sent)

print(taglist)

 

说明：

stanford.py和stanford_test.py都要存放在/home/test/opt/stanford/stanford-postagger-full-2018-02-27/中。

 

5. 程序运行结果：