5个Python库轻松实现自然语言处理入门指南

听雨眠

发布时间：2026-10-14| 5人浏览过

原创

本文介绍5个常用的Python自然语言处理库，包括NLTK、TextBlob、Spacy、Gensim和CoreNLP。详细讲解标记、词干提取等核心术语，并提供各库的安装命令与基础代码示例，帮助开发者快速上手NLP预处理任务。

一、前言

自然语言指人类日常交流所使用的语言，而自然语言处理（NLP）则是将非结构化数据转化为计算机可理解格式的技术手段。简而言之，NLP旨在赋予计算机以人类语言的理解与交互能力。

作为当前研究最为广泛的领域之一，NLP吸引了大量科技巨头的巨额投资。企业利用NLP技术深入分析消费者情绪与文本数据，从而挖掘商业价值。其典型应用场景包括垃圾邮件检测、假新闻分类、情感分析、下一词预测、自动纠错、聊天机器人开发以及个人智能助手等。

三、解决任何NLP任务前要知道的7个术语

标记（Tokenization）：该过程旨在将完整文本分割为更小的语义单元。标记操作通常基于句子和单词两个层级进行划分。


text = "Hello there, how are you doing today? The weather is great today. python is awsome"

##sentece tokenize (Separated by sentence)
['Hello there, how are you doing today?', 'The weather is great today.', 'python is awsome']
##word tokenizer (Separated by words)
['Hello', 'there', ',', 'how', 'are', 'you', 'doing', 'today', '?', 'The', 'weather', 'is', 'great', 'today', '.','python', 'is', 'awsome']

停止词（Stop Words）：这类词汇通常对句意贡献较小。在NLP预处理中，为了降低数据噪声，通常会移除所有停止词，因为它们对核心数据分析意义不大。在英语语境中，常见的停止词数量约为179个。

词干提取（Stemming）：该方法通过剥离单词的后缀和前缀，将其还原为词根形式。

词形还原（Lemmatization）：其原理与词干提取类似，但关键区别在于它返回的是具有实际意义的规范单词。该技术主要应用于聊天机器人、问答系统及文本预测等场景。

WordNet：这是一个针对英语名词、动词、形容词和副词的词汇数据库或词典。其中的词汇被专门分组，以适配自然语言处理的设计需求。

词性标注（Part-of-Speech Tagging）：此过程将句子转换为元组列表，每个元组包含形式（单词、标记）。这里的标记用于标识该单词的词性，如名词、形容词或动词等。


text = 'An sincerity so extremity he additions.'
--------------------------------
('An', 'DT'), ('sincerity', 'NN'), ('so', 'RB'), ('extremity', 'NN'), ('he', 'PRP'), ('additions', 'VBZ')]

词袋（Bag of Words）：这是一种将文本转换为数字表示的方法，例如采用独热编码（One-Hot Encoding）等技术手段。


sent1 = he is a good boy
sent2 = she is a good girl
            |
            |
        girl good boy   
sent1    0    1    1     
sent2    1    0    1

接下来，让我们回到主题，介绍能够帮助您轻松完成数据预处理的Python库。

二、NLTK

毫无疑问，NLTK是自然语言处理领域最优秀且使用最广泛的库之一。NLTK全称为Natural Language Toolkit（自然语言工具包），由Steven Bird和Edward Loper开发。它内置了众多模块，支持标记化、词元化、词干化、解析、分块及词性标注等功能，并提供超过50个语料库和词汇资源。

安装:pip install nltk

让我们使用NLTK对给定的文本执行预处理


import nltk
#nltk.download('punkt')
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import PorterStemmer
import re
ps = PorterStemmer()
text = 'Hello there,how are you doing today? I am Learning Python.'
text = re.sub("[^a-zA-Z0-9]"," ",text)
text = word_tokenize(text)
text_with_no_stopwords = [ps.stem(word) for word in text if word not in stopwords.words('english')]
text = " ".join(text_with_no_stopwords) 
text
-----------------------------------------------OUTPUT------------------------------------
'hello today I learn python'

三、TextBlob

TextBlob是一个简化的文本处理库。它提供了简洁的API，用于执行常见的NLP任务，如词性标记、情感分析、文本分类及翻译等。

安装:pip install textblob

四、spacy

这是Python中备受推崇的自然语言处理库之一，底层由Cython编写。它提供了一些预训练的统计模型，并支持多达49种以上的语言进行标记化处理。该库利用卷积神经网络作为特征提取手段，用于标记、解析和命名实体识别任务。

安装:pip install spacy


import spacy
nlp = spacy.load('en_core_web_sm')
text = "I am Learning Python Nowdays"
text2 = nlp(text)
for token in text2:
  print(token,token.idx)
------------------------------OUTPUT-----------------------
I 0
am 2
Learning 5
Python 14
Nowdays 21