這裡安裝的是兩個自然語言處理工具，NLTK和Stanford NLP。

宣告：筆者作業系統是Windows10，理論上Windows都可以；

           版本號：NLTK 3.2

                         Stanford NLP 3.6.0

                         JDK 1.8

           重要檔案在講述過程中會以網盤連結給出，可隨時下載。

 

一、 NLTK的安裝

1、檢查python版本：NLTK是python語言編寫的，依託python來安裝。當前通行的python版本是python3.5.2。筆者的python版本也是python3.5.2，為了防止不可預估的問題，建議大家都選擇python3.5.2，日後再改也可以。

 

2、下載NLTK安裝檔案，版本是NLTK 3.2，網盤連結：https://pan.baidu.com/s/1fPxL36TGZtrzMdq3pFxlcg
      下載後直接執行exe檔案進行安裝，會自動匹配到python安裝路徑，如果沒有找到路徑則說明NLTK版本不正確，或者說python版本不正確。
3.  開啟python編輯器，輸入“import nltk”,再輸入“nltk.download()”,下載NLTK資料包，在下載介面選中book模組，這個模組包含了許多資料案例和內建函式。
     修改book下載目的路徑建議如下：D:\DevelopmentTools\Anaconda3\nltk_data，也就是在Anaconda下建立一個nltk_data的資料夾，將book下載目標路徑放在此處即可，這樣做便於管理和維護。如下如：

 

4、環境變數的配置：計算機→屬性→高階系統設定→高階→環境變數-系統變數→path，在path中加入剛剛定的路徑：D:\DevelopmentTools\Anaconda3\nltk_data
5、配置完成之後，開啟python編輯器，輸入from nltk.book import *，只要沒有輸出明顯的錯誤，正確顯示了相關資訊，就表示NLTK安裝成功了，如下圖：

 

 

 

二、Stanford NLP工具的安裝

1、版本檢查：python版本依舊是python3.5.2，同時要確保安裝的是Java 8及以後版本（Stanford NLP只支援Java 8及以後的版本），也就是確定系統安裝的jdk1.8及以上版本。筆者電腦安裝的是jdk1.8.0_161。這裡就不說jdk的安裝了，自己百度下。    附上jdk1.8連結：https://pan.baidu.com/s/1RltrIesUoEcQvVshsns6Aw   2、下載nltk-develop.zip，這個檔案提供的NLTK工具連線到Stanford NLP工具的介面。 下載之後解壓，然後把解壓後的nltk-develop資料夾複製到python安裝的主路徑下，筆者是Anaconda方式安裝的python，所以就直接放在了Anaconda3的主目錄下，如下：

 

3、然後進入Windows的cmd命令列

 

從命令進入到剛剛複製的路徑下：D:\DevelopmentTools\Anaconda3\nltk-develop  ，然後輸入python setup.py install，並執行  如下：

等待安裝即可，由於筆者已經安裝過了，就不展示安裝後的資訊了。

 

4、Stanford NLP版本是3.6.0，所有檔案可在網盤下載：https://pan.baidu.com/s/15y7gfy167cfLJhvRurWMCA       筆者已經將所需的檔案和jar包統一打包好了，下載下來的就是打包好的資料夾“stanfordNLP”，直接將此資料夾複製到Anaconda3的目錄下即可（理論上放到別的路徑也可以，這個路徑最終是要來設定環境變數，這裡統一放在Anaconda3目錄下是為了更方便的統一管理和維護而已），如下：  

 

 

5、下面就來開始設定剛剛“stanfordNLP”資料夾下各個檔案的環境變數，環境變數都是在系統變數的classpath中來操作。

設定環境變數的目的是為了能隨時快速的呼叫，設定環境變數之後，以後的所有呼叫都不需要傳輸絕對路徑的引數了。

（1）StanfordSegmenter環境變數的設定

進入“stanfordNLP”資料夾，將stanford-segmenter.jar的絕對路徑拷貝到classpath下，分別如下：

 

注意，每一個不同路徑之間要用分號分隔。

 

 

（2）slf4j-api.jar加入classpath環境變數。slf4j-api.jar是stanford-segmenter-2015-12-09.zip解壓後含有的檔案。

同理，將“stanfordNLP”中的slf4j-api.jar的絕對路徑加入到classpath中去，如下：

 

 

（3）StanfordPOSTagger環境變數的設定

同理，進入“stanfordNLP”資料夾，將stanford-postagger.jar檔案的絕對路徑新增到classpath中，如下：

 

（4）StanfordNERTagger環境變數的設定

同理，進入“stanfordNLP”資料夾，將stanford-ner.jar檔案的絕對路徑新增到classpath中，如下：

 

（5）將classifiers資料夾也新增入classpath環境變數。classifiers資料夾是從stanford-ner-2015-12-09.zip解壓後含有的資料夾，直接複製提取的

 

 

（6）將models資料夾新增入classpath環境變數。models資料夾是stanford-postagger-full-2015-12-09.zip解壓後含有的資料夾。環境變數如下：

 

（7）StanfordParser環境變數的設定

同理，進入“stanfordNLP”資料夾，將stanford-parser.jar和stanford-parser-3.6.0-models.jar分別新增到classpath環境變數中去，分別如下：

 

 

 

（8）StanfordNeuralDependencyParser環境變數的設定

同上，進入“stanfordNLP”資料夾，分別將stanford-corenlp-3.6.0.jar和stanford-corenlp-3.6.0-models.jar新增入classpath環境變數，分別如下：

 

 三、測試

由於Stanford NLP工具安裝最繁瑣，也最容易出問題，於是特別展示對Stanford NLP的測試，所有簡短的程式碼都是在python編輯器中執行的，其它地方也可：

程式碼如下：

路徑：相應路徑是筆者前面安裝所使用的路徑，結合更改為自己電腦的實際路徑。只要按照上述步驟將所有環境變數配置了，那麼，在所有函式的呼叫中，函式引數就不用再輸入絕對路徑了，只需要直接輸入相應的檔名即可，函式執行時自會在環境變數的路徑下來找該檔案，找不到的話就會報錯的。

1、分詞
（1）中文分詞 from nltk.tokenize.stanford_segmenter import StanfordSegmenter
segmenter = StanfordSegmenter(
  path_to_sihan_corpora_dict="D:\DevelopmentTools\Anaconda3\stanfordNLP\data\",   path_to_model="D:\DevelopmentTools\Anaconda3\stanfordNLP\data\pku.gz",   path_to_dict="D:\DevelopmentTools\Anaconda3\stanfordNLP\data\dict-chris6.ser.gz")
str="我在部落格園開了一個部落格，我的部落格名字叫鈍學累功。"
result = segmenter.segment(str) ==>執行有錯誤，未解決 （2）英文分詞 from nltk.tokenize import StanfordTokenizer
tokenizer=StanfordTokenizer()
sent="Good muffins cost $3.88\nin New York. Please buy me\ntwo of them.\nThanks."
print(tokenizer.tokenize(sent)) 2、命名實體識別
（1）英文命名實體識別
from nltk.tag import StanfordNERTagger
eng_tagger=StanfordNERTagger(model_filename=r'D:\DevelopmentTools\Anaconda3\stanfordNLP\classifiers\english.all.3class.distsim.crf.ser.gz')
print(eng_tagger.tag('Rami Eid is studying at Stony Brook University in NY'.split())) （2）中文命名實體識別 略
3、詞性標註
（1）英文詞性標註
from nltk.tag import StanfordPOSTagger
eng_tagger=StanfordPOSTagger(model_filename=r'D:\DevelopmentTools\Anaconda3\stanfordNLP\models\english-bidirectional-distsim.tagger')
print(eng_tagger.tag('What is the airspeed of an unladen swallow ?'.split()))
（2）中文詞性標註
from nltk.tag import StanfordPOSTagger
chi_tagger=StanfordPOSTagger(model_filename=r'chinese-distsim.tagger')
result="四川省 成都 資訊 工程 大學 我 在 部落格 園 開 了 一個 部落格 ， 我 的 部落格 名叫 鈍學累功 。 \r\n"
print(chi_tagger.tag(result.split()))
4、句法分析
（1）英文句法分析
from nltk.parse.stanford import StanfordParser
eng_parser=StanfordParser()
print(list(eng_parser.parse("the quick brown for jumps over the lazy dog".split()))) （2）中文句法分析
from nltk.parse.stanford import StanfordParser
chi_parser=StanfordParser()
sent=u'北海 已 成為 中國 對外開放 中 升起 的 一 顆 明星'
print(list(chi_parser.parse(sent.split())))   5、依存句法分析
（1）英文依存句法分析
from nltk.parse.stanford import StanfordDependencyParser
eng_parser=StanfordDependencyParser()
res=list(eng_parser.parse("the quick brown fox jumps over the lazy dog".split()))
for row in res[0].triples():
    print(row) （2）中文依存句法分析
from nltk.parse.stanford import StanfordDependencyParser
chi_parser=StanfordDependencyParser()
res=list(chi_parser.parse(u'四川 已 成為 中國 西部 對外開放 中 升起 的 一 顆 明星'.split()))
for row in res[0].triples():
     print(row)

 

 

 

總結，環境變數的設定總的來說是自由的，但是要設定的便於自己識別和 維護，筆者只是提供了自己的設定方案。只要能正常執行上述測試程式碼，就表示Stanford NLP和NLTK安裝成功了，之後開發可以結合兩個工具一起使用。。。