1、引言

小云：鱼哥， 看这段代码

from chatterbot import ChatBot

# 创建聊天机器人
chatbot = ChatBot('MyBot')

# 加载语料库
with open('chatterbot.corpus.txt', 'r') as f:
    chatbot.train(f.read())

# 获取用户输入
user_input = input("You: ")

# 获取聊天机器人的回答
chatbot_response = chatbot.get_response(user_input)

# 输出聊天机器人的回答
print("Bot: " + chatbot_response)

小鱼：嗯 ，看了。
小云：有啥感受？
小鱼：没啥感受。
小云：那有啥感想？
小鱼：没啥感想。
小云：那有啥想法？
小鱼：没啥想法。
小云：这个可以有。
小鱼：这个… 真没有。
小云：…
小鱼：…
小云：请你吃 ci guo，
小鱼：那这个可以有。

小云：确定可以有是吧。
小鱼：那必须的。
小云：那就好办了， 鱼哥，写一个聊天机器人的教程。
小鱼：那吃几个ci guo？
小云：5个吧。
小鱼：抠搜的。
小云：拉倒吧， 一个 88， 5个可是我这一个月的零花钱。
小鱼：你想啊， 知识是无价，只用5个ci guo，就换一个聊天机器人的教程，多合算。
小云：… 行， 行， 你别说了， 我请。
小鱼：嘿嘿… 嘿嘿…

2、实战

2.1 准备

说到聊天机器人，似乎给我们很高大上，很神秘的技能，
其实，并非这样，
今天，我们就来探究探究，聊天机器人，到底有多简单。

要想实现聊天机器人的功能，首先，我们要借助于2个三方库，即：

• NLTK库：用于自然语言处理，包括分词、分词、词性标注等功能。
• ChatterBot库：用于创建聊天机器人

其次，我们就来分两步：

• 创建聊天机器人
• 实现用户交互

最后，我们就搞起来。

2.2 介绍

2.2.1 NLTK

定义

NLTK库是一个开源自然语言处理库，包括了分词、分词、词性标注等功能。
它是Python自然语言处理的核心库之一，被广泛应用于文本处理、语音识别、机器翻译等领域。
常用函数和类：

• nltk.download()：用于下载NLTK库中的数据集和模块。
• nltk.corpus：包含了许多常用语料库，例如Brown语料库、Web of Science语料库等。
• nltk.tokenize：用于对文本进行分词。
• nltk.word_tokenize：对文本进行分词。
• nltk.pos_tag：用于对文本进行词性标注。
• nltk.stem：用于对单词进行词干提取。
• nltk.chat：用于创建聊天机器人。

2.2.2 ChatterBot

定义：

• ChatterBot库是一个基于Python的聊天机器人库，
• 可以用于创建自然语言处理机器人；

常用方法：

• ChatBot：创建聊天机器人的类。
• Train：用于训练聊天机器人的方法。
• get_response：用于获取聊天机器人的回答的方法。
• Corpus：用于加载和训练聊天机器人的语料库。

2.3 安装

知道了库，接下来我们就来安装，老规矩，直接pip安装

pip install nltk
pip install chatterbot

其余安装方式，可以参照这两篇：

• 《Python3，选择Python自动安装第三方库，从此跟pip说拜拜！！》
• 《Python3：我低调的只用一行代码，就导入Python所有库！》

2.4 示例

2.4.1 创建聊天机器人

代码示例

# -*- coding:utf-8 -*-
# @Time   : 2023-08-15
# @Author : Carl_DJ

'''
实现功能：
    创建聊天机器人。
'''


import nltk
from chatterbot import ChatBot

# 加载语料库
nltk.download('stopwords')
nltk.download('punkt')
nltk.download('averaged_perceptron_tagger')

# 创建聊天机器人
chatbot = ChatBot('MyBot')

# 加载语料库
with open('chatterbot.corpus.txt', 'r') as f:
    chatbot.train(f.read())

# 定义回答规则
def get_answer(input_string):
    # 将输入字符串分成单词
    words = input_string.split()
    
    # 取出最常见的单词
    most_common_word = nltk.FreqDist(words).most_common(1)[0]
    
    # 检查最常见的单词是否是一个问题
    if most_common_word[0] in ['what', 'why', 'how']:
        return "I'm not sure. Can you please provide more context?"
    
    # 如果最常见的单词是一个名词，则回答关于该名词的问题
    elif most_common_word[0] in ['book', 'movie', 'song', 'artist']:
        return f"What's the name of {most_common_word[0]}?"
    
    # 如果最常见的单词是一个动词，则回答如何做该动词
    elif most_common_word[0] in ['eat', 'sleep', 'run', 'jump']:
        return f"How do you {most_common_word[0]}?"
    
    # 如果最常见的单词不是一个问题或名词，则回答一个随机回答
    else:
        return "I'm not sure. Can you please provide more context?"

2.4.2 与用户交互

代码示例

# -*- coding:utf-8 -*-
# @Time   : 2023-08-15
# @Author : Carl_DJ

'''
实现功能：
    实现与用户交互。
'''


import nltk

while True:
    # 获取用户输入
    user_input = input("You: ")
    
    # 转换用户输入为小写
    user_input = user_input.lower()
    
    # 获取聊天机器人的回答
    chatbot_response = chatbot.get_response(user_input)
    
    # 将聊天机器人的回答转换为小写
    chatbot_response = chatbot_response.lower()
    
    # 输出聊天机器人的回答
    print("Bot: " + chatbot_response)
    
    # 检查是否需要退出
    if user_input == 'exit':
        break

3、总结

看到这里，今天的分享就结束了。
今天主要使用 nltk 和 chatterbot库，实现聊天机器人。

但是，这里，没有体现训练的内容，

也别着急， 小鱼会在下一篇安排上。

我是小鱼：

• CSDN 博客专家；
• 阿里云 专家博主；
• 51CTO博客专家；
• 51认证讲师等；
• 认证金牌面试官；
• 职场面试及培训规划师；
• 多个国内主流技术社区的认证专家博主；
• 多款主流产品(阿里云等)测评一、二等奖获得者；

关注我，带你学习更多更专业更前言的Python技术。