1. 读取原始数据

html = urlopen(url).read()

2. 数据清洗

raw = nltk.clean_html(html)

3. 数据切片

raw = raw[111:2222222]

4. 数据分词

tokens = nltk.wordpunct_tokenize(raw)

或者

tokens = nltk.word_tokenize(raw)

5. 分词切片

tokens = tokens[20:222222]

6. 文本转换 （或者不需要）

text = nltk.Text(tokens)

7. 词汇获取

words = [w.lower() for w in text]

vocab = sorted(set(words))