自然语言处理流程

1、文本挖掘主要内容

存储信息使用最多的是文本，文本挖掘被认为比数据挖掘具有更高的商业潜力，当数据挖掘的对象完全由文本这种数据类型组成时，这个过程就称为文本数据挖掘。

1.1文本分类及情感分析

文本分类指按照预先定义的主题类别，为文档集合中的每个文档确定一个类别。需要训练集训练分类器，然后应用于测试集。主要有朴素贝叶斯分类、决策树等。情感分析是近年来国内外的研究热点，是基于计算机整理、分析相关评价信息，对带有感情色彩的的主观性文本进行分析、处理和归纳。情感分析包括情感分类、观点抽取、观点问答等。 1.2文本聚类

聚类与分类的不同之处在于，聚类没有预先定义好的一部分文档的类别，它的目标是将文档集合分成若干个簇，要求同一簇内文档内容的相似度尽可能的大，而不同簇之间的相似度尽可能的小。 1.3文本结构分析

其目的是为了更好地理解文本的主题思想，了解文本表达的内容以及采用的方式，最终结果是建立文本的逻辑结构，即文本结构树，根结点是文本主题，依次为层次和段落。 1.4 Web文本数据挖掘

在Web迅猛发展的同时，不能忽视“信息爆炸”的问题，即信息极大丰富而知识相对匮乏。据估计，Web已经发展成为拥有3亿个页面的分布式信息空间，而且这个数字仍以每4-6个月翻1倍的速度增加，在这些大量、异质的Web信息资源中，蕴含着具有巨大潜在价值的知识。Web文本挖掘可以构建社交复杂网络、用户标签、网络舆情分析等 2、自然语言处理流程 2.1获取原始文本

文本最重要的来源无疑是网络。我们要把网络中的文本获取形成一个文本数据库(数据集)。利用一个爬虫抓取到网络中的信息。爬取的策略有广度和深度爬取；根据用户的需求，爬虫可以有主题爬虫和通用爬虫之分。

2.1.1HTML数据

2.1.2 RSS订阅源

博客是文本的重要来源，无论是正式的还是非正式的。通过Universal Feed Parser第三方库可以访问博客的内容。

2.1.3本地文件

2.2对文本进行预处理 2.1.1文本编码格式

1.decode early；2.unicode everywhere；3.encode later。具体见Python 2.X 编码问题汇总 2.1.2 文本模式匹配

Python自带的一些方法就能完成一部分字符检测工作，例如endswith(‘ly’)可以找到”ly”结尾的词。然而，正则表达式提出了一个更强大、更灵活的字符匹配模式。