En plus de NLTK, quelle est la meilleure bibliothèque de récupération d'informations pour Python?

Question

À utiliser pour analyser des documents sur Internet!

Answer 1

Alternativement, R a de nombreux outils disponibles pour l'exploration de texte, et il est facile de integrate with Python using RPy2.

Regardez le Natural Language Processing view on CRAN. En particulier, regardez le package tm. Voici quelques liens pertinents:

• papier sur le paquet dans le Journal of Statistical Computing: http://www.jstatsoft.org/v25/i05/paper. Le document comprend un bel exemple d'une analyse de la R-devel liste de diffusion (https://stat.ethz.ch/pipermail/r-devel/) envoi de messages de 2006.
• page d'accueil du paquet: http://cran.r-project.org/web/packages/tm/index.html
• Regardez la vignette d'introduction: http://cran.r-project.org/web/packages/tm/vignettes/tm.pdf

En plus , R fournit de nombreux outils pour analyser HTML ou XML. Avoir a look at this question for an example using the RCurl and XML packages.

Answer 2

Pourriez-vous s'il vous plaît fournir plus d'informations pourquoi NLTK est insuffisante ou quelles sont les fonctionnalités dont vous avez besoin de considérer un cadre le «meilleur»?

Néanmoins, il existe la bibliothèque d'analyse lexicale shlex intégrée.

Il existe également un livre récent sur le sujet, Natural Language Processing with Python. Il semble qu'au moins une partie couvre NLTK. Vous pouvez également consulter cette liste de tutoriels et de bibliothèques sur le site Web awaretek, qui pointe également vers le framework NLQ.py.

Natural Language Processing with Python http://ecx.images-amazon.com/images/I/41NBqj7NyGL._BO2.jpg