英文文档 http://www.nltk.org/book/
中文文档 https://www.bookstack.cn/read/nlp-py-2e-zh/0.md
以下编号按个人习惯

Extracting Information from Text（从文本提取信息）

信息提取系统的典型结构：断句、分词、词性标注、搜索特定类型的实体、寻找指定关系

1 Information Extraction（信息提取）

首先，使用句子分段器将文档的原始文本分割成句子，然后使用记号赋予器将每个句子进一步细分为单词。接下来，用词性标记标记每个句子。以nltk中的默认工具为例，将句子分段器、分词器、词性标记器连接。

def ie_preprocess(document):
    # nltk 默认的句子分段器
    sentences = nltk.sent_tokenize(document)
    # nltk默认分词器
    sentences = [nltk.word_tokenize(sent) for sent in sentences]
    # nltk默认词性标记
    sentences = [nltk.pos_tag(sent) for sent in sentences]

之后进行命名实体检测。

2 Chunking（词块划分）

词块划分是实体识别的基本技术，分割和标注多词符的序列。

2.1 Noun Phrase Chunking（名词短语词块划分）

使用正则表达式来定义一个语法，来进行名词短语词块的划分

# 名词短语词块划分
def noun_phrase_chunking():
    sentence = [("the", "DT"), ("little", "JJ"), ("yellow", "JJ"), ("dog", "NN"), ("barked", "VBD"), ("at", "IN"),
                ("the", "DT"), ("cat", "NN")]
    # 语法。正则表达式规则。可选限定词（DT）后跟任意数量的形容词（JJ）和一个名词（NN）时，形成一个NP块
    grammar = "NP:{<DT>?<JJ>*<NN>}"

    # 创建一个块解析器
    cp = nltk.RegexpParser(grammar)
    # 测试。查看结果
    result = cp.parse(sentence)
    print(result)
    result.draw()

2.2 Exploring Text Corpora（用正则表达式进行词块划分）

使用RegexpParser创建一个词块划分器，并使用正则表达式指定规则。一个正则表达式字符串中，可以写多个正则表达式，词块划分器轮流应用其规则，依次的更新词块结构，直到所有规则都被调用完，返回划分完的词块结构。当匹配重叠时，最左边的匹配优先。

# 用正则表达式进行词块划分
def chunking_with_regular_expressions():
    # 表达式1 划分一个可选限定词或所有格代名词，0或多个形容词，一个名词
    # 表达式2 划分一个或多个专有名词
    grammar = r"""
        NP: {<DT|PP\$>?<JJ>*<NN>}   # chunk determiner/possessive, adjectives and noun
        {<NNP>+}                # chunk sequences of proper nouns
    """
    cp = nltk.RegexpParser(grammar)
    sentence = [("Rapunzel", "NNP"), ("let", "VBD"), ("down", "RP"), ("her", "PP$"), ("long", "JJ"), ("golden", "JJ"),
                ("hair", "NN")]
    # 重叠匹配则按照左边匹配优先
    print(cp.parse(sentence))

词缝：一个不包含在词块中的一个词符序列。以下划线部分就是一个词缝

3 Developing and Evaluating Chunkers（ 开发和评估词块划分器）

3.1 Simple Evaluation and Baselines（简单的评估和基准）

词块划分器可使用evaluate()方法来评估一个划分器的性能好坏。
下面学习使用一元标注器建立一个词块划分器。但不是尝试确定每个词的正确的词性标记，而是根据每个词的词性标记，尝试确定正确的词块标记。

# 使用一元标注器建立一个词块划分器。根据每个词的词性标记，尝试确定正确的词块标记。
class UnigramChunker(nltk.ChunkParserI):
    # constructor
    def __init__(self, train_sents):
        # 将训练数据转换成适合训练标注器的形式。tree2conlltags()方法将每个词块树映射到一个三元组（word，tag，chunk）的列表
        train_data = [[(t, c) for w, t, c in nltk.chunk.tree2conlltags(sent)]
                      for sent in train_sents]
        # 训练一元分块器
        # self.tagger = nltk.UnigramTagger(train_data)
        # 训练二元分块器
        self.tagger = nltk.BigramTagger(train_data)

    # sentence为一个已标注的句子
    def parse(self, sentence):
        # 提取词性标记
        pos_tags = [pos for (word, pos) in sentence]
        # 使用标注器为词性标记 标注IOB词块
        tagged_pos_tags = self.tagger.tag(pos_tags)
        # 提取词块标记
        chunktags = [chunktag for (pos, chunktag) in tagged_pos_tags]
        # 将词块标记与原句组合
        conlltags = [(word, pos, chunktag) for ((word, pos), chunktag)
                     in zip(sentence, chunktags)]
        # 转换成词块树
        return nltk.chunk.conlltags2tree(conlltags)

# 简单的评估和基准
def simple_evaluation_and_baselines():
    test_sents = conll2000.chunked_sents('test.txt', chunk_types=['NP'])
    train_sents = conll2000.chunked_sents('train.txt', chunk_types=['NP'])
    # 调用UnigramChunker类，创建对象.分块器是几元的可以在该类构造器中改变
    unigram_chunker = code_unigram_chunker.UnigramChunker(train_sents)
    print(unigram_chunker.evaluate(test_sents))

分别使用了一元标注器和二元标注器进行词块划分，评估结果依次如下，二元词块划分器的性能略高于一元词块划分器。

4 Recursion in Linguistic Structure（语言结构中的递归）

4.1 Building Nested Structure with Cascaded Chunkers（ 用级联词块划分器构建嵌套结构）

通过创建包含递归规则的多阶段块语法，来构建任意深度的块结构。
正则表达式规则：名字短语、介词短语、动词短语、句子

def building_nested_structure_with_cascaded_chunkers():
    # 四阶段的块语法。可用于创建深度最多为4的结构（深度不包括顶）
    grammar = r"""
             NP: {<DT|JJ|NN.*>+}          # Chunk sequences of DT, JJ, NN
             PP: {<IN><NP>}               # Chunk prepositions followed by NP
             VP: {<VB.*><NP|PP|CLAUSE>+$} # Chunk verbs and their arguments
             CLAUSE: {<NP><VP>}           # Chunk NP, VP
             """
    cp = nltk.RegexpParser(grammar)
    sentence = [("Mary", "NN"), ("saw", "VBD"), ("the", "DT"), ("cat", "NN"),
                ("sit", "VB"), ("on", "IN"), ("the", "DT"), ("mat", "NN")]
    # 查看树图
    print(cp.parse(sentence))
    cp.parse(sentence).draw()
    # 上述规则无法识别VP词块。解决方案是让词块划分器在他的模式中循环。loop指定循环次数。
    cp_1 = nltk.RegexpParser(grammar, loop=2)
    sentence_1 = [("John", "NNP"), ("thinks", "VBZ"), ("Mary", "NN"), ("saw", "VBD"), ("the", "DT"), ("cat", "NN"),
                  ("sit", "VB"), ("on", "IN"), ("the", "DT"), ("mat", "NN")]
    print(cp_1.parse(sentence_1))

5 Named Entity Recognition（命名实体识别）

命名实体是确切的名词短语，指示特定类型的个体例如组织、人、日期等。
NLTK提供了一个已经训练好的分类器，进行命名实体识别，可以通过函数nltk.ne_chunk()访问。

# 命名实体识别
def named_entity_recognition():
    sent = nltk.corpus.treebank.tagged_sents()[22]
    # 访问nltk提供的用来识别命名实体的分类器。binary设为True则命名实体被标记为NE，否则会添加类别标签如PERSON
    ne_sent = nltk.ne_chunk(sent, binary=True)
    ne_sent_1 = nltk.ne_chunk(sent)
    print(ne_sent)
    print(ne_sent_1)

6 Relation Extraction（关系提取）

关系提取是寻找指定类型的命名实体之间的关系。
过程：首先寻找所有（X,α,Y）形式的三元组，X,Y是指定类型的命名实体，α表示二者之间关系的字符串；然后使用正则表达式从α中提取查找的关系。

# 关系提取
def relation_extraction():
    # 搜索包含词 in 的字符串。并且排除in后跟一个动名词
    IN = re.compile(r'.*\bin\b(?!\b.+ing)')
    for doc in nltk.corpus.ieer.parsed_docs('NYT_19980315'):
        for rel in nltk.sem.extract_rels('ORG', 'LOC', doc, corpus='ieer', pattern=IN):
            print(nltk.sem.rtuple(rel))