Python 快速将NLTK解析为语法树

我正在尝试将数百个句子解析成它们的语法树，我需要这么快，问题是如果我使用NLTK，那么我需要定义一个语法，我不知道我只知道它是英语。我尝试过使用统计解析器，它对我来说非常有用，但是速度可能会更好，有没有一种方法可以在不使用语法的情况下使用nltk解析？ 在这段代码中，我使用了一个处理池来“并行”地进行处理，但是速度还有很多需要改进的地方

import pickle
import re
from stat_parser.parser import Parser
from multiprocessing import Pool
import HTMLParser
def multy(a):
    global parser
    lst=re.findall('(\S.+?[.!?])(?=\s+|$)',a[1])
    if len(lst)==0:
        lst.append(a[1])
    try:
        ssd=parser.norm_parse(lst[0])
    except:
        ssd=['NNP','nothing']
    with open('/var/www/html/internal','a') as f:
        f.write("[[ss")
        pickle.dump([a[0],ssd], f)
        f.write("ss]]")
if __name__ == '__main__':
    parser=Parser()
    with open('/var/www/html/interface') as f:
        data=f.read()
    data=data.split("\n")
    p = Pool(len(data))
    Totalis_dict=dict()
    listed=list()
    h = HTMLParser.HTMLParser()
    with open('/var/www/html/internal','w') as f:
        f.write("")
    for ind,each in enumerate(data):
        listed.append([str(ind),h.unescape(re.sub('[^\x00-\x7F]+','',each))])
    p.map(multy,listed)

---

解析是一项计算量相当大的操作。您可能可以从更完善的解析器中获得更好的性能，例如。它是用C++编写的，并且受益于一个团队在长时间内工作。有一个与之交互的python模块

下面是一个比较bllip和您正在使用的解析器的示例：

import timeit

# setup stat_parser
from stat_parser import Parser
parser = Parser()

# setup bllip
from bllipparser import RerankingParser
from bllipparser.ModelFetcher import download_and_install_model
# download model (only needs to be done once)
model_dir = download_and_install_model('WSJ', '/tmp/models')
# Loading the model is slow, but only needs to be done once
rrp = RerankingParser.from_unified_model_dir(model_dir)

sentence = "In linguistics, grammar is the set of structural rules governing the composition of clauses, phrases, and words in any given natural language."

if __name__=='__main__':
    from timeit import Timer
    t_bllip = Timer(lambda: rrp.parse(sentence))
    t_stat = Timer(lambda: parser.parse(sentence))
    print "bllip", t_bllip.timeit(number=5)
    print "stat", t_stat.timeit(number=5)

它在我的电脑上运行速度快了10倍左右：

(vs)[jonathan@ ~]$ python /tmp/test.py 
bllip 2.57274985313
stat 22.748554945

另外，在将bllip解析器集成到NLTK中时，还有一个pull请求挂起：

---

还有，你在你的问题中说：“我不知道我只知道它会是英语”。如果您的意思是它也需要解析其他语言，那么它将更加复杂。这些统计解析器是针对一些输入进行训练的，这些输入通常是来自宾夕法尼亚州树状数据库中《华尔街日报》的解析内容。一些解析器也会为其他语言提供经过训练的模型，但您需要首先识别语言，并将适当的模型加载到解析器中。

是否是全局声明导致了延迟？也许我应该使用一个新的解析器对象？谢谢，看起来很棒！我并不是说它可以用不同的语言，我猜想它可以是英语中的每个单词，甚至是一些奇怪的单词：）不过这应该可以很好地工作，thnx。从NLTK版本3.0.2开始，支持从BLLIP解析器获取树。参见示例code.Thnaks，它帮助了很多：）