用Python写一个简单的中文分词器[python高级教程]

  • Z时代
  • 2024-01-10
  • 分类：综合

用Python写一个简单的中文分词器[python高级教程]

解压后取出以下文件：

训练数据：icwb2-data/training/pku_ training.utf8

测试数据：icwb2-data/testing/pku_ test.utf8

正确分词结果：icwb2-data/gold/pku_ test_ gold.utf8

评分工具：icwb2-data/script/socre

2 算法描述

算法是最简单的正向最大匹配(FMM)：

用训练数据生成一个字典

对测试数据从左到右扫描，遇到一个最长的词，就切分下来，直到句子结束

注：这是最初的算法，这样做代码可以控制在60行内，后来看测试结果发现没有很好地处理数字问题， 才又增加了对数字的处理。

3 源代码及注释

#! /usr/bin/env python
# -*- coding: utf-8 -*-
# Author: minix
# Date:   2013-03-20
import codecs
import sys
# 由规则处理的一些特殊符号
numMath = [u"0", u"1", u"2", u"3", u"4", u"5", u"6", u"7", u"8", u"9"]
numMath_suffix = [u".", u"%", u"亿", u"万", u"千", u"百", u"十", u"个"]
numCn = [u"一", u"二", u"三", u"四", u"五", u"六", u"七", u"八", u"九", u"〇", u"零"]
numCn_suffix_date = [u"年", u"月", u"日"]
numCn_suffix_unit = [u"亿", u"万", u"千", u"百", u"十", u"个"]
special_char = [u"(", u")"]
def proc_num_math(line, start):
    """ 处理句子中出现的数学符号 """
    oldstart = start
    while line[start] in numMath or line[start] in numMath_suffix:
        start = start + 1
    if line[start] in numCn_suffix_date:
        start = start + 1
    return start - oldstart
def proc_num_cn(line, start):
    """ 处理句子中出现的中文数字 """
    oldstart = start
    while line[start] in numCn or line[start] in numCn_suffix_unit:
        start = start + 1
    if line[start] in numCn_suffix_date:
        start = start + 1
    return start - oldstart
def rules(line, start):
    """ 处理特殊规则 """
    if line[start] in numMath:
        return proc_num_math(line, start)
    elif line[start] in numCn:
        return proc_num_cn(line, start)
def genDict(path):
    """ 获取词典 """
    f = codecs.open(path,"r","utf-8")
    contents = f.read()
    contents = contents.replace(u"", u"")
    contents = contents.replace(u"
", u"")
    # 将文件内容按空格分开
    mydict = contents.split(u" ")
    # 去除词典List中的重复
    newdict = list(set(mydict))
    newdict.remove(u"")
    # 建立词典
    # key为词首字，value为以此字开始的词构成的List
    truedict = {}
    for item in newdict:
        if len(item)>0 and item[0] in truedict:
            value = truedict[item[0]]
            value.append(item)
            truedict[item[0]] = value
        else:
            truedict[item[0]] = [item]
    return truedict
def print_unicode_list(uni_list):
    for item in uni_list:
        print item,
def divideWords(mydict, sentence):
    """ 
    根据词典对句子进行分词,
    使用正向匹配的算法，从左到右扫描，遇到最长的词，
    就将它切下来，直到句子被分割完闭
    """
    ruleChar = []
    ruleChar.extend(numCn)
    ruleChar.extend(numMath)
    result = []
    start = 0
    senlen = len(sentence)
    while start < senlen:
        curword = sentence[start]
        maxlen = 1
        # 首先查看是否可以匹配特殊规则
        if curword in numCn or curword in numMath:
            maxlen = rules(sentence, start)
        # 寻找以当前字开头的最长词
        if curword in mydict:
            words = mydict[curword]
            for item in words:
                itemlen = len(item)
                if sentence[start:start+itemlen] == item and itemlen > maxlen:
                    maxlen = itemlen
        result.append(sentence[start:start+maxlen])
        start = start + maxlen
    return result
def main():
    args = sys.argv[1:]
    if len(args) < 3:
        print "Usage: python dw.py dict_path test_path result_path"
        exit(-1)
    dict_path = args[0]
    test_path = args[1]
    result_path = args[2]
    dicts = genDict(dict_path)
    fr = codecs.open(test_path,"r","utf-8")
    test = fr.read()
    result = divideWords(dicts,test)
    fr.close()
    fw = codecs.open(result_path,"w","utf-8")
    for item in result:
        fw.write(item + " ")
    fw.close()
if __name__ == "__main__":
    main()

4 测试及评分结果

使用 dw.py 训练数据 测试数据， 生成结果文件

使用 score 根据训练数据，正确分词结果，和我们生成的结果进行评分

使用 tail 查看结果文件最后几行的总体评分，另外socre.utf8中还提供了大量的比较结果， 可以用于发现自己的分词结果在哪儿做的不够好

注：整个测试过程都在Ubuntu下完成

$ python dw.py pku_training.utf8 pku_test.utf8 pku_result.utf8

$ perl score pku_training.utf8 pku_test_gold.utf8 pku_result.utf8 > score.utf8

$ tail -22 score.utf8

INSERTIONS:     0

DELETIONS:      0

SUBSTITUTIONS:  0

NCHANGE:        0

NTRUTH: 27

NTEST:  27

TRUE WORDS RECALL:      1.000

TEST WORDS PRECISION:   1.000

=== SUMMARY:

=== TOTAL INSERTIONS:   4623

=== TOTAL DELETIONS:    1740

=== TOTAL SUBSTITUTIONS:        6650

=== TOTAL NCHANGE:      13013

=== TOTAL TRUE WORD COUNT:      104372

=== TOTAL TEST WORD COUNT:      107255

=== TOTAL TRUE WORDS RECALL:    0.920

=== TOTAL TEST WORDS PRECISION: 0.895

=== F MEASURE:  0.907

=== OOV Rate:   0.940

=== OOV Recall Rate:    0.917

=== IV Recall Rate:     0.966


基于词典的FMM算法是非常基础的分词算法，效果没那么好，不过足够简单，也易于入手，随着学习的深入，我可能还会用Python实现其它的分词算法。另外一个感受是，看书的时候尽量多去实现，这样会让你有足够的热情去关注理论的每一个细节，不会感到那么枯燥无力。


以上是 用Python写一个简单的中文分词器[python高级教程] 的全部内容， 来源链接： utcz.com/z/540097.html

回到顶部