• 1.3 搜索文本

    1.3 搜索文本

    除了阅读文本之外,还有很多方法可以用来研究文本内容。词语索引视角显示一个指定单词的每一次出现,连同一些上下文一起显示。下面我们输入text1 后面跟一个点,再输入函数名concordance,然后将"monstrous" 放在括号里,来查一下 Moby Dick 《白鲸记》中的词 monstrous:

    1. >>> text1.concordance("monstrous")
    2. Displaying 11 of 11 matches:
    3. ong the former , one was of a most monstrous size . ... This came towards us ,
    4. ON OF THE PSALMS . " Touching that monstrous bulk of the whale or ork we have r
    5. ll over with a heathenish array of monstrous clubs and spears . Some were thick
    6. d as you gazed , and wondered what monstrous cannibal and savage could ever hav
    7. that has survived the flood ; most monstrous and most mountainous ! That Himmal
    8. they might scout at Moby Dick as a monstrous fable , or still worse and more de
    9. th of Radney .'" CHAPTER 55 Of the monstrous Pictures of Whales . I shall ere l
    10. ing Scenes . In connexion with the monstrous pictures of whales , I am strongly
    11. ere to enter upon those still more monstrous stories of them which are to be fo
    12. ght have been rummaged out of this monstrous cabinet there is no telling . But
    13. of Whale - Bones ; for Whales of a monstrous size are oftentimes cast up dead u
    14. >>>

    在一段特定的文本上第一次使用 concordance 会花费一点时间来构建索引,因此接下来的搜索会很快。

    注意

    轮到你来: 尝试搜索其他词;为了方便重复输入,你也许会用到上箭头,Ctrl-上箭头或者 Alt-p 获取之前输入的命令,然后修改要搜索的词。你也可以在我们包含的其他文本上搜索。例如, 使用text2.concordance("affection"),搜索 Sense and Sensibility《理智与情感》中的 affection。使用text3.concordance("lived") 搜索 Genesis《创世纪》找出某人活了多久。你也可以看看text4Inaugural Address Corpus《就职演说语料》,回到 1789 年看看那时英语的例子,搜索如 nation, terror,god 这样的词,看看随着时间推移这些词的使用如何不同。我们也包括了text5NPS Chat Corpus《NPS 聊天语料库》:你可以在里面搜索一些网络词,如 im ur,lol。(注意这个语料库未经审查!)

    在你花了一小会儿研究这些文本之后,我们希望你对语言的丰富性和多样性有一个新的认识。在下一章中,你将学习获取更广泛的文本,包括英语以外其他语言的文本。

    词语索引使我们看到词的上下文。例如,我们看到 monstrous 出现的上下文, the pictures 和 a size。还有哪些词出现在相似的上下文中?我们可以通过在被查询的文本名后添加函数名similar,然后在括号中插入相关的词来查找到:

    1. >>> text1.similar("monstrous")
    2. mean part maddens doleful gamesome subtly uncommon careful untoward
    3. exasperate loving passing mouldy christian few true mystifying
    4. imperial modifies contemptible
    5. >>> text2.similar("monstrous")
    6. very heartily so exceedingly remarkably as vast a great amazingly
    7. extremely good sweet
    8. >>>

    观察我们从不同的文本中得到的不同结果。Austen 使用这些词与 Melville 完全不同;在她那里,monstrous 是正面的意思,有时它的功能像词 very 一样作强调成分。

    函数common_contexts允许我们研究两个或两个以上的词共同的上下文,如 monstrous 和 very。我们必须用方括号和圆括号把这些词括起来,中间用逗号分割:

    1. >>> text2.common_contexts(["monstrous", "very"])
    2. a_pretty is_pretty am_glad be_glad a_lucky
    3. >>>

    注意

    轮到你来: 挑选另一对词,使用similar()common_contexts() 函数比较它们在两个不同文本中的用法。

    自动检测出现在文本中的特定的词,并显示同样上下文中出现的一些词,这只是一个方面。我们也可以判断词在文本中的 位置 :从文本开头算起在它前面有多少词。这个位置信息可以用离散图表示。每一个竖线代表一个单词,每一行代表整个文本。在1.2 中,我们看到在过去 220 年中的一些显著的词语用法模式(在一个由就职演说语料首尾相连的人为组合的文本中)。可以用下面的方法画出这幅图。你也许会想尝试更多的词(如,liberty,constitution)和不同的文本。你能在看到这幅图之前预测一个词的分布吗?跟以前一样,请保证引号、逗号、中括号及小括号的使用完全正确。

    1. >>> text4.dispersion_plot(["citizens", "democracy", "freedom", "duties", "America"])
    2. >>>

    Images/inaugural.png

    图 1.2:美国总统就职演说词汇分布图:可以用来研究随时间推移语言使用上的变化。

    注意

    重要事项: 为了画出这本书中用到的图形,你需要安装 Python 的 NumPy 和 Matplotlib 包。请参阅http://nltk.org/ 上的安装说明。

    注意

    你还可以使用https://books.google.com/ngrams 画出词汇随着时间的使用频率。

    现在轻松一下,让我们尝试产生一些刚才看到的不同风格的随机文本。要做到这一点,我们需要输入文本的名字后面跟函数名generate。(需要带括号,但括号里没有也什么。)

    1. >>> text3.generate()
    2. In the beginning of his brother is a hairy man , whose top may reach
    3. unto heaven ; and ye shall sow the land of Egypt there was no bread in
    4. all that he was taken out of the month , upon the earth . So shall thy
    5. wages be ? And they made their father ; and Isaac was old , and kissed
    6. him : and Laban with his cattle in the midst of the hands of Esau thy
    7. first born , and Phichol the chief butler unto his son Isaac , she
    8. >>>

    Note

    generate() 方法在 NLTK 3.0 中不可用,但会在后续版本中恢复。