Win10(x64)系统Python 3.6.5(Anaconda3)本地调用哈工大最新版LTP 3.4

Win10(x64)系统Python 3.6.5(Anaconda3)本地调用哈工大最新版LTP 3.4

本文基于网上失败与成功经验，经过多次调试，实现了Win10(x64)系统下Python 3.6.5(Anaconda3)本地调用哈工大LTP 3.4，故将主要关键步骤分述如下：

• LTP的选择与下载
• LTP本地安装
• pyltp库安装
• 程序调用与测试

LTP的选择与下载

哈工大语言技术平台(LTP) 提供包括中文分词、词性标注、命名实体识别、依存句法分析、语义角色标注等丰富、 高效、精准的自然语言处理技术。 —— [ 哈工大语言技术平台 ]

python语言下本地调用LTP，需要安装LTP、LTP模型文件以及第三方库pyltp。

目前语言技术平台3.4.0版 发布，
* 增加新的基于Bi-LSTM的SRL模型
* 增加了SRL的多线程命令行程序srl_cmdline
* 修改了SRL相关的编程接口已经改变，修复了之前内存泄露的相关问题。

笔者电脑为Win10(x64)系统，Python为Anaconda3所集成的python3.6.5，采用哈工大最新版LTP 3.4，根据版本匹配建议（链接），需下载ltp-3.4.0-win-x64-Release.zip以及模型文件ltp_data_v3.4.0.zip。需要预先说明的是，此时对应的python库

LTP采用C++编写，若采用python语言调用LTP，安装pyltp库，版本pyltp-0.2.1，直接采用pip命令安装难以成功，会出现缺少VC++ 14.0 组件的错误。其实笔者电脑已安装Visual studio 2017

最后经过多次尝试网上说的一些方法，采用安装pyltp对应的 wheel文件成功。网上能找到pyltp-0.2.1的wheel文件，但更低版本的就难以找到了。据说是一个大神在自己的电脑（win10）上编译的，64bit的windows应该都可以，csdn下载地址（链接）
pyltp-0.2.1-cp35-cp35m-win_amd64.whl
pyltp-0.2.1-cp36-cp36m-win_amd64.whl
注意: 这两个文件的区别是python版本号

LTP本地安装

（1）新建一个项目文件夹，比如：F:\myprojects\LTP；

（2）将模型文件ltp_data_v3.4.0.zip解压后的ltp_data文件夹放入项目文件夹；

（3）将ltp-3.4.0-win-x64-Release.zip解压后的dll、exe文件全部拷入项目文件夹。
LTP文件夹

模型文件夹

按照官网提示（链接），LTP 3.4.0 版本 SRL模型 pisrl.model 如在windows系统下不可用，可以到官网“此链接” 下载支持windows的语义角色标注模型。

由后期调试经验表明，此步骤非常重要，语义角色标注模型基本报错，通过替换win版本后调试成功。

pyltp库安装

由前述下载好pyltp-0.2.1-cp36-cp36m-win_amd64.whl 文件后，存放到本地文件夹，然后采用pip命令安装，如笔者存放在路径F:\fruanjian\pyth下，pip命令：
pip install F:\fruanjian\pyth\pyltp-0.2.1-cp36-cp36m-win_amd64.whl

程序调用与测试

参考网上示例（链接），做了细部修改，比如更改路径，以及3.4版本语义角色分析需采用pisrl.model

程序调用代码块

代码块语法遵循标准markdown代码，例如：

import os
LTP_DATA_DIR = 'F:\myprojects\LTP\ltp_data34'  # 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, 'pisrl.model')  # 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_listdef 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, arcs):labeller = SementicRoleLabeller() # 初始化实例labeller.load(srl_model_path)  # 加载模型roles = labeller.label(words, postags,  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,arcs)
print('###############以上为角色标注测试###############')

再次提醒，可能替换ltp_data文件夹下语义角色分析的pisrl.model，否则可能出错。
另一个出错的地方就是 SementicRoleLabeller.label函数，笔者修改后采用3个参数，调试成功。

测试结果为

而 SementicRoleLabeller.label采用网上的4个参数，调用函数如下

一直调试不成功，出现如下错误：
Traceback (most recent call last):
File “F:\xuexi\spypython\nlpprogram\test_ltp.py”, line 95, in
roles = role_label(words,tags,netags,arcs)
File “F:\xuexi\spypython\nlpprogram\test_ltp.py”, line 72, in role_label
roles = labeller.label(words, postags, netags, arcs) # 语义角色标注
Boost.Python.ArgumentError: Python argument types in
SementicRoleLabeller.label(SementicRoleLabeller, list, VectorOfString, VectorOfString, VectorOfParseResult)
did not match C++ signature:

以上即是本人初次学习LTP时安装LTP的尝试，其中也存在很多不懂的地方，欢迎各位交流，敬请不吝珠玉！qq：2735500267