NLTK 是一个在 Python 自然语言处理领域里非常流行的的一个包。NLTK 本身的安装比较简单 (如果是缺少编译环境的 Windows 系统， 推荐用 conda 安装 )，教程也比较多， 这里不再赘述。

然而要让 NLTK 真正工作起来，我们还需要去网上下载各种语料库、语法库和训练模型。由于网络原因，这个下载过程可能比较耗时，或经常失败。下面就简要介绍几个小技巧来加速这一过程。

只下载你需要的数据包

NLTK 提供了十分丰富的自然语言数据包， 其中大多数体积都比较小，也有少数体积比较大, 会有几个G。 通常你并不需要所有的数据包，只下载那些你需要的， 显然可以快很多。

完整的 NLTK Data 列表可以访问 http://www.nltk.org/nltk_data/ 得到。

通过 Python shell 下载:

import nltk
# nltk.download() 不指定数据包的名字时， 默认下载全部数据
nltk.download('stopwords')

或者在命令行里运行 python -m nltk.downloader <数据包名>

如果是在桌面环境下执行上述命令的话, NLTK 会弹出一个用 Tkinter 写的 图形化窗口， 可以更加方便地选择要下载的数据包。

通过代理下载

现在 NLTK 的数据是托管在 Github 上的。 由于一些众做周知的原因， Github 在天朝的网络下时常不太稳定。 考虑到很多程序员都会自备梯子，我们可以让 NLTK 通过代理来下载软件包。 一个稳定的代理不仅能避免连接被重置而导致的下载失败， 往往也能提高下载速度。

在 Python shell 里指定代理：

nltk.set_proxy('http://proxy', ('USERNAME', 'PASSWORD'))
nltk.download()

如果是在命令行里通过 `python -m 的方式下载的话， 可以通过设置 HTTP_PROXY 环境变量来指定代理。

通过其他工具下载

当你确实需要某些体积很大的数据包时, 光靠 NLTK 自己提供的下载功能可能就捉襟见肘了(仅针对国内网络而言)。这种情况下， 我们可以借助于 wget/aria2c 这类支持多线程， 断点续传的下载工具。 相关数据包的下载链接可以在 上文中提到 http://www.nltk.org/nltk_data/ 里找到。

例如 Brown Corpus 这个数据包 就可以通过 wget https://raw.githubusercontent.com/nltk/nltk_data/gh-pages/packages/corpora/brown.zip 的方式下载下来。 下载下来 zip 包需要解压到 NLTK 指定的 data 目录的某个子目录下。 如果是桌面环境， 下载窗口上就会显示 data 目录的路径。

如果是命令行环境,可通过下面的代码查看:

import nltk
nltk.data.path

在我的机器为例，NLTK 的 data 目录是 ~/nltk_data 。 注意刚才的下载 url 是以 corpora/brown.zip 结尾的， 暗示这是一个 corpora (语料)， 因此这个 zip 文件就要解药到 ~/nltk_data/corpora 目录下。 同理， Grammars from NLTK Book(https://raw.githubusercontent.com/nltk/nltk_data/gh-pages/packages/grammars/book_grammars.zip) 就要解压到 ~/nltk_data/grammars 目录下。

有少数包的下载地址不符合上述规则，如 PanLex Lite Corpus(https://db.panlex.org/panlex_lite-20170401.zip)， 这类数据包一般都是体积较大， 不能托管在 Github 上的， 这类包一般都属于 corpora。