如何手动添加NLTK data

一、问题描述

Python的自然语言处理库NLTK在安装之后需要下载一些data文件才能使用。官方比较推荐的方式是直接运行下载data的代码：

import nltk 
 
nltk.download('punkt')

但是实际操作之后发现由于网络原因无法下载成功。

除了运行代码之外，官方还推荐了两种下载数据包的方法：命令行执行安装命令以及手动添加。由于命令行执行安装命令也需要网络顺畅，跟运行代码本质上是一样的，所以我选择了比较稳妥的手动添加方式。

二、解决方法(以下载punkt相关数据为例)

第1步：先把全部data下载到电脑里。这里我提供一个我自己存放这些data的网盘地址： https://pan.baidu.com/s/1HrcWaPGAMx3eXouURHGZJA 提取码: 9aue 

第2步：解压下载下来的data，存放到电脑里合适的位置。我放到了D:\nltk_data目录下。目录结构如图所示：

D:\nltk_data\

└─tokenizers

    └─punkt
        │  czech.pickle
        │  danish.pickle
        │  dutch.pickle
        │  english.pickle
        │  estonian.pickle
        │  finnish.pickle
        │  french.pickle
        │  german.pickle
        │  greek.pickle
        │  italian.pickle
        │  norwegian.pickle
        │  portuguese.pickle
        │  README
        │  slovene.pickle
        │  spanish.pickle
        │  swedish.pickle
        │  turkish.pickle
        │  
        └─PY3
                czech.pickle
                danish.pickle
                dutch.pickle
                english.pickle
                estonian.pickle
                finnish.pickle
                french.pickle
                german.pickle
                greek.pickle
                italian.pickle
                norwegian.pickle
                portuguese.pickle
                README
                slovene.pickle
                spanish.pickle
                swedish.pickle
                turkish.pickle

可以看到，这些pickle文件在punkt目录里保存了一份，又在punkt下的PY3目录里保存了一份，这是因为NLTK库下的data.py模块中会从这两个路径读取数据，少一份都会报错。所以，大家也要这样构造目录结构，把文件保存两份。

第3步：创建环境变量，指向顶层目录D:\nltk_data。win10系统创建环境变量方法如下：

查看高级系统设置->环境变量->系统变量->新建->填写变量名和变量值->每个窗口都点击“确定”

 第4步：检验数据是否添加成功。可以运行下面的代码：

from nltk import word_tokenize 
 
input = "What's the best way to split a sentence into words?"
print(word_tokenize(input))

运行结果是：['What', "'s", 'the', 'best', 'way', 'to', 'split', 'a', 'sentence', 'into', 'words', '?']

如果得到了正确的切分结果，那就说明数据添加成功了。

如果这篇博文帮到了你，就请给我点个赞吧(#^.^#)

有疑问也欢迎留言~博主最近比较忙，如果没有及时回复还请见谅

ヾ(◍°∇°◍)ﾉﾞ