哈工大LTP：Windows系统Python本地调用

本文实验环境为64位win10系统，python3.6.2，LTP项目文件和模型文件使用的3.3.1版本

1.LTP下载

（1）LTP项目文件ltp-3.3.1-win-x86.zip（下载链接）

（2）LTP模型文件3.3.1（下载链接）

Windows系统直接下载编译好的二进制文件ltp-3.3.1-win-x86.zip，不用管编译。使用较新版本时，注意项目文件与模型文件版本的匹配性，否则可能会出错。

2.文件夹放置

（1）新建一个项目文件夹，比如：D:\myprojects\LTP；

（2）将模型文件解压后的ltp_data文件夹放入项目文件夹；

（3）将ltp-3.3.1-win-x86.zip解压后的dll、exe文件全部拷入项目文件夹。

最后文件夹列表如下：

说明：因为内部默认路径的关系，这样放置可以使ltp_data文件夹处在默认路径上。

3.Python使用ltp_test

LTP提供的模型包括：（在ltp_data文件夹里面）
cws.model         分句模型，单文件
pos.model         词性标注模型，单文件
ner.model         命名实体识别模型，单文件
parser.model    依存句法分析模型，单文件
srl_data/ 语义角色标注模型，多文件（文件夹srl）

ltp_test是一个整合LTP中各模块的命令行工具。它完成加载模型，依照指定方法执行分析的功能。

主要参数：线程数、最终步骤、输入文件路径、模型路径、词典路径等。

具体可通过CMD运行ltp_test.exe查看。

4.其他准备工作

（1）下载安装Visual C++ 2015（下载链接）

（2）pip install pyltp

5.Python程序简单调用

程序代码如下：

# -*- coding: utf-8 -*-
import os
LTP_DATA_DIR = 'D:\myprojects\LTP\ltp_data'  # ltp模型目录的路径
cws_model_path = os.path.join(LTP_DATA_DIR, 'cws.model')  # 分词模型路径，模型名称为`cws.model`
pos_model_path = os.path.join(LTP_DATA_DIR, 'pos.model')  # 词性标注模型路径，模型名称为`pos.model`
ner_model_path = os.path.join(LTP_DATA_DIR, 'ner.model')  # 命名实体识别模型路径，模型名称为`pos.model`
par_model_path = os.path.join(LTP_DATA_DIR, 'parser.model')  # 依存句法分析模型路径，模型名称为`parser.model`
srl_model_path = os.path.join(LTP_DATA_DIR, 'srl')  # 语义角色标注模型目录路径，模型目录为`srl`。注意该模型路径是一个目录，而不是一个文件。

from pyltp import SentenceSplitter
from pyltp import Segmentor
from pyltp import Postagger
from pyltp import NamedEntityRecognizer
from pyltp import Parser
from pyltp import SementicRoleLabeller

#分句，也就是将一片文本分割为独立的句子
def sentence_splitter(sentence='人生苦短。我用python。你呢？'):
    sents = SentenceSplitter.split(sentence)  # 分句
    print ('\n'.join(sents))

#分词
def segmentor(sentence='我是中国人'):
    segmentor = Segmentor()  # 初始化实例
    segmentor.load(cws_model_path)  # 加载模型
    words = segmentor.segment(sentence)  # 分词
    #默认可以这样输出
    print ('\t'.join(words))
    # 可以转换成List 输出
    words_list = list(words)
    segmentor.release()  # 释放模型
    return words_list
 
def posttagger(words):
    postagger = Postagger() # 初始化实例
    postagger.load(pos_model_path)  # 加载模型
    postags = postagger.postag(words)  # 词性标注
    for word,tag in zip(words,postags):
        print (word+'/'+tag)
    postagger.release()  # 释放模型
    return postags
 
#命名实体识别
def ner(words, postags):
    recognizer = NamedEntityRecognizer() # 初始化实例
    recognizer.load(ner_model_path)  # 加载模型
    netags = recognizer.recognize(words, postags)  # 命名实体识别
    for word, ntag in zip(words, netags):
        print (word + '/' + ntag)
    recognizer.release()  # 释放模型
    return netags
 
#依存语义分析
def parse(words, postags):
    parser = Parser() # 初始化实例
    parser.load(par_model_path)  # 加载模型
    arcs = parser.parse(words, postags)  # 句法分析
    print ("\t".join("%d:%s" % (arc.head, arc.relation) for arc in arcs))
    parser.release()  # 释放模型
    return arcs
 
#角色标注
def role_label(words, postags, netags, arcs):
    labeller = SementicRoleLabeller() # 初始化实例
    labeller.load(srl_model_path)  # 加载模型
    roles = labeller.label(words, postags, netags, arcs)  # 语义角色标注
    for role in roles:
        print (role.index, "".join(
            ["%s:(%d,%d)" % (arg.name, arg.range.start, arg.range.end) for arg in role.arguments]))
    labeller.release()  # 释放模型

#测试分句子
print('******************测试将会顺序执行：**********************')
sentence_splitter()
print('###############以上为分句子测试###############')
#测试分词
words=segmentor()
print('###############以上为分词标注测试###############')
#测试标注
tags = posttagger(words)
print('###############以上为词性标注测试###############')
#命名实体识别
netags = ner(words,tags)
print('###############以上为命名实体识别测试###############')
#依存句法识别
arcs = parse(words,tags)
print('###############以上为依存句法测试###############')
#角色标注
roles = role_label(words,tags,netags,arcs)
print('###############以上为角色标注测试###############')