pyltp的簡(jiǎn)介
??語(yǔ)言技術(shù)平臺(tái)(LTP)經(jīng)過(guò)哈工大社會(huì)計(jì)算與信息檢索研究中心 11 年的持續(xù)研發(fā)和推廣, 是國(guó)內(nèi)外最具影響力的中文處理基礎(chǔ)平臺(tái)晤郑。它提供的功能包括中文分詞敌呈、詞性標(biāo)注、命名實(shí)體識(shí)別造寝、依存句法分析珍逸、語(yǔ)義角色標(biāo)注等媳荒。
??pyltp 是 LTP 的 Python 封裝,同時(shí)支持Python2和Python3版本。Python3的安裝方法為:
pip3 install pyltp
- 官網(wǎng)下載網(wǎng)址:https://pypi.org/project/pyltp/0.1.7/
- 官方使用說(shuō)明文檔:https://pyltp.readthedocs.io/zh_CN/develop/api.html
??在使用該模塊前仁烹,需要下載完整的模型文件缺脉,文件下載地址為:https://pan.baidu.com/share/link?shareid=1988562907&uk=2738088569#list/path=%2F 哨坪。pyltp 的所有輸入的分析文本和輸出的結(jié)果的編碼均為 UTF-8界拦。模型的數(shù)據(jù)文件如下:
其中,cws.model用于分詞模型锦聊,lexicon.txt為分詞時(shí)添加的用戶字典歹嘹,ner.model為命名實(shí)體識(shí)別模型,parser.model為依存句法分析模型孔庭,pisrl.model為語(yǔ)義角色標(biāo)注模型尺上,pos為詞性標(biāo)注模型材蛛。
pyltp的使用
??pyltp的使用示例項(xiàng)目結(jié)構(gòu)如下:
分句
??分句指的是將一段話或一片文章中的文字按句子分開,按句子形成獨(dú)立的單元怎抛。示例的Python代碼sentenct_split.py如下:
# -*- coding: utf-8 -*-
from pyltp import SentenceSplitter
# 分句
doc = '據(jù)韓聯(lián)社12月28日反映卑吭,美國(guó)防部發(fā)言人杰夫·莫萊爾27日表示,美國(guó)防部長(zhǎng)蓋茨將于2011年1月14日訪問(wèn)韓國(guó)马绝。' \
'蓋茨原計(jì)劃從明年1月9日至14日陸續(xù)訪問(wèn)中國(guó)和日本豆赏,目前,他決定在行程中增加對(duì)韓國(guó)的訪問(wèn)迹淌。莫萊爾表示,' \
'蓋茨在訪韓期間將會(huì)晤韓國(guó)國(guó)防部長(zhǎng)官金寬鎮(zhèn)己单,就朝鮮近日的行動(dòng)交換意見唉窃,同時(shí)商討加強(qiáng)韓美兩軍同盟關(guān)系等問(wèn)題,' \
'擬定共同應(yīng)對(duì)朝鮮挑釁和核計(jì)劃的方案纹笼。'
sents = SentenceSplitter.split(doc) # 分句
for sent in sents:
print(sent)
輸出結(jié)果如下:
據(jù)韓聯(lián)社12月28日反映纹份,美國(guó)防部發(fā)言人杰夫·莫萊爾27日表示,美國(guó)防部長(zhǎng)蓋茨將于2011年1月14日訪問(wèn)韓國(guó)廷痘。
蓋茨原計(jì)劃從明年1月9日至14日陸續(xù)訪問(wèn)中國(guó)和日本蔓涧,目前,他決定在行程中增加對(duì)韓國(guó)的訪問(wèn)笋额。
莫萊爾表示元暴,蓋茨在訪韓期間將會(huì)晤韓國(guó)國(guó)防部長(zhǎng)官金寬鎮(zhèn),就朝鮮近日的行動(dòng)交換意見兄猩,同時(shí)商討加強(qiáng)韓美兩軍同盟關(guān)系等問(wèn)題茉盏,擬定共同應(yīng)對(duì)朝鮮挑釁和核計(jì)劃的方案。
分詞
??分詞指的是將一句話按詞語(yǔ)分開枢冤,按詞語(yǔ)形成獨(dú)立的單元鸠姨。示例的Python代碼words_split.py如下:
# -*- coding: utf-8 -*-
import os
from pyltp import Segmentor
cws_model_path = os.path.join(os.path.dirname(__file__), 'data/cws.model') # 分詞模型路徑,模型名稱為`cws.model`
lexicon_path = os.path.join(os.path.dirname(__file__), 'data/lexicon.txt') # 參數(shù)lexicon是自定義詞典的文件路徑
segmentor = Segmentor()
segmentor.load_with_lexicon(cws_model_path, lexicon_path)
sent = '據(jù)韓聯(lián)社12月28日反映淹真,美國(guó)防部發(fā)言人杰夫·莫萊爾27日表示讶迁,美國(guó)防部長(zhǎng)蓋茨將于2011年1月14日訪問(wèn)韓國(guó)。'
words = segmentor.segment(sent) # 分詞
print('/'.join(words))
segmentor.release()
輸出的結(jié)果如下:
據(jù)/韓聯(lián)社/12月/28日/反映/核蘸,/美/國(guó)防部/發(fā)言人/杰夫·莫萊爾/27日/表示/巍糯,/美/國(guó)防部長(zhǎng)/蓋茨/將/于/2011年/1月/14日/訪問(wèn)/韓國(guó)/。
詞性標(biāo)注
??詞性標(biāo)注指的是一句話分完詞后客扎,制定每個(gè)詞語(yǔ)的詞性鳞贷。示例的Python代碼postagger.py如下:
# -*- coding: utf-8 -*-
import os
from pyltp import Segmentor, Postagger
# 分詞
cws_model_path = os.path.join(os.path.dirname(__file__), 'data/cws.model') # 分詞模型路徑,模型名稱為`cws.model`
lexicon_path = os.path.join(os.path.dirname(__file__), 'data/lexicon.txt') # 參數(shù)lexicon是自定義詞典的文件路徑
segmentor = Segmentor()
segmentor.load_with_lexicon(cws_model_path, lexicon_path)
sent = '據(jù)韓聯(lián)社12月28日反映虐唠,美國(guó)防部發(fā)言人杰夫·莫萊爾27日表示搀愧,美國(guó)防部長(zhǎng)蓋茨將于2011年1月14日訪問(wèn)韓國(guó)。'
words = segmentor.segment(sent) # 分詞
# 詞性標(biāo)注
pos_model_path = os.path.join(os.path.dirname(__file__), 'data/pos.model') # 詞性標(biāo)注模型路徑,模型名稱為`pos.model`
postagger = Postagger() # 初始化實(shí)例
postagger.load(pos_model_path) # 加載模型
postags = postagger.postag(words) # 詞性標(biāo)注
for word, postag in zip(words, postags):
print(word, postag)
# 釋放模型
segmentor.release()
postagger.release()
'''
詞性標(biāo)注結(jié)果說(shuō)明
https://ltp.readthedocs.io/zh_CN/latest/appendix.html#id3
'''
輸出結(jié)果如下:
據(jù) p
韓聯(lián)社 ni
12月 nt
28日 nt
反映 v
咱筛, wp
美 j
國(guó)防部 n
發(fā)言人 n
杰夫·莫萊爾 nh
27日 nt
表示 v
搓幌, wp
美 j
國(guó)防部長(zhǎng) n
蓋茨 nh
將 d
于 p
2011年 nt
1月 nt
14日 nt
訪問(wèn) v
韓國(guó) ns
。 wp
詞性標(biāo)注結(jié)果可參考網(wǎng)址:https://ltp.readthedocs.io/zh_CN/latest/appendix.html 迅箩。
命名實(shí)體識(shí)別
??命名實(shí)體識(shí)別(NER)指的是識(shí)別出一句話或一段話或一片文章中的命名實(shí)體溉愁,比如人名,地名饲趋,組織機(jī)構(gòu)名拐揭。示例的Python代碼ner.py如下:
# -*- coding: utf-8 -*-
import os
from pyltp import Segmentor, Postagger
# 分詞
cws_model_path = os.path.join(os.path.dirname(__file__), 'data/cws.model') # 分詞模型路徑,模型名稱為`cws.model`
lexicon_path = os.path.join(os.path.dirname(__file__), 'data/lexicon.txt') # 參數(shù)lexicon是自定義詞典的文件路徑
segmentor = Segmentor()
segmentor.load_with_lexicon(cws_model_path, lexicon_path)
sent = '據(jù)韓聯(lián)社12月28日反映奕塑,美國(guó)防部發(fā)言人杰夫·莫萊爾27日表示堂污,美國(guó)防部長(zhǎng)蓋茨將于2011年1月14日訪問(wèn)韓國(guó)。'
words = segmentor.segment(sent) # 分詞
# 詞性標(biāo)注
pos_model_path = os.path.join(os.path.dirname(__file__), 'data/pos.model') # 詞性標(biāo)注模型路徑龄砰,模型名稱為`pos.model`
postagger = Postagger() # 初始化實(shí)例
postagger.load(pos_model_path) # 加載模型
postags = postagger.postag(words) # 詞性標(biāo)注
ner_model_path = os.path.join(os.path.dirname(__file__), 'data/ner.model') # 命名實(shí)體識(shí)別模型路徑盟猖,模型名稱為`pos.model`
from pyltp import NamedEntityRecognizer
recognizer = NamedEntityRecognizer() # 初始化實(shí)例
recognizer.load(ner_model_path) # 加載模型
# netags = recognizer.recognize(words, postags) # 命名實(shí)體識(shí)別
# 提取識(shí)別結(jié)果中的人名,地名换棚,組織機(jī)構(gòu)名
persons, places, orgs = set(), set(), set()
netags = list(recognizer.recognize(words, postags)) # 命名實(shí)體識(shí)別
print(netags)
# print(netags)
i = 0
for tag, word in zip(netags, words):
j = i
# 人名
if 'Nh' in tag:
if str(tag).startswith('S'):
persons.add(word)
elif str(tag).startswith('B'):
union_person = word
while netags[j] != 'E-Nh':
j += 1
if j < len(words):
union_person += words[j]
persons.add(union_person)
# 地名
if 'Ns' in tag:
if str(tag).startswith('S'):
places.add(word)
elif str(tag).startswith('B'):
union_place = word
while netags[j] != 'E-Ns':
j += 1
if j < len(words):
union_place += words[j]
places.add(union_place)
# 機(jī)構(gòu)名
if 'Ni' in tag:
if str(tag).startswith('S'):
orgs.add(word)
elif str(tag).startswith('B'):
union_org = word
while netags[j] != 'E-Ni':
j += 1
if j < len(words):
union_org += words[j]
orgs.add(union_org)
i += 1
print('人名:', '式镐,'.join(persons))
print('地名:', ','.join(places))
print('組織機(jī)構(gòu):', '固蚤,'.join(orgs))
# 釋放模型
segmentor.release()
postagger.release()
recognizer.release()
輸出的結(jié)果如下:
['O', 'S-Ni', 'O', 'O', 'O', 'O', 'B-Ni', 'E-Ni', 'O', 'S-Nh', 'O', 'O', 'O', 'S-Ns', 'O', 'S-Nh', 'O', 'O', 'O', 'O', 'O', 'O', 'S-Ns', 'O']
人名: 杰夫·莫萊爾娘汞,蓋茨
地名: 美,韓國(guó)
組織機(jī)構(gòu): 韓聯(lián)社夕玩,美國(guó)防部
命名實(shí)體識(shí)別結(jié)果可參考網(wǎng)址:https://ltp.readthedocs.io/zh_CN/latest/appendix.html 价说。
依存句法分析
??依存語(yǔ)法 (Dependency Parsing, DP) 通過(guò)分析語(yǔ)言單位內(nèi)成分之間的依存關(guān)系揭示其句法結(jié)構(gòu)。 直觀來(lái)講风秤,依存句法分析識(shí)別句子中的“主謂賓”鳖目、“定狀補(bǔ)”這些語(yǔ)法成分,并分析各成分之間的關(guān)系缤弦。示例的Python代碼parser.py代碼如下:
# -*- coding: utf-8 -*-
import os
from pyltp import Segmentor, Postagger, Parser
# 分詞
cws_model_path = os.path.join(os.path.dirname(__file__), 'data/cws.model') # 分詞模型路徑领迈,模型名稱為`cws.model`
lexicon_path = os.path.join(os.path.dirname(__file__), 'data/lexicon.txt') # 參數(shù)lexicon是自定義詞典的文件路徑
segmentor = Segmentor()
segmentor.load_with_lexicon(cws_model_path, lexicon_path)
sent = '據(jù)韓聯(lián)社12月28日反映,美國(guó)防部發(fā)言人杰夫·莫萊爾27日表示碍沐,美國(guó)防部長(zhǎng)蓋茨將于2011年1月14日訪問(wèn)韓國(guó)狸捅。'
words = segmentor.segment(sent) # 分詞
# 詞性標(biāo)注
pos_model_path = os.path.join(os.path.dirname(__file__), 'data/pos.model') # 詞性標(biāo)注模型路徑,模型名稱為`pos.model`
postagger = Postagger() # 初始化實(shí)例
postagger.load(pos_model_path) # 加載模型
postags = postagger.postag(words) # 詞性標(biāo)注
# 依存句法分析
par_model_path = os.path.join(os.path.dirname(__file__), 'data/parser.model') # 模型路徑累提,模型名稱為`parser.model`
parser = Parser() # 初始化實(shí)例
parser.load(par_model_path) # 加載模型
arcs = parser.parse(words, postags) # 句法分析
rely_id = [arc.head for arc in arcs] # 提取依存父節(jié)點(diǎn)id
relation = [arc.relation for arc in arcs] # 提取依存關(guān)系
heads = ['Root' if id == 0 else words[id-1] for id in rely_id] # 匹配依存父節(jié)點(diǎn)詞語(yǔ)
for i in range(len(words)):
print(relation[i] + '(' + words[i] + ', ' + heads[i] + ')')
# 釋放模型
segmentor.release()
postagger.release()
parser.release()
輸出結(jié)果如下:
ADV(據(jù), 表示)
SBV(韓聯(lián)社, 反映)
ATT(12月, 28日)
ADV(28日, 反映)
POB(反映, 據(jù))
WP(尘喝,, 據(jù))
ATT(美, 國(guó)防部)
ATT(國(guó)防部, 發(fā)言人)
ATT(發(fā)言人, 杰夫·莫萊爾)
SBV(杰夫·莫萊爾, 表示)
ADV(27日, 表示)
HED(表示, Root)
WP(,, 表示)
ATT(美, 國(guó)防部長(zhǎng))
ATT(國(guó)防部長(zhǎng), 蓋茨)
SBV(蓋茨, 訪問(wèn))
ADV(將, 訪問(wèn))
ADV(于, 訪問(wèn))
ATT(2011年, 14日)
ATT(1月, 14日)
POB(14日, 于)
VOB(訪問(wèn), 表示)
VOB(韓國(guó), 訪問(wèn))
WP(斋陪。, 表示)
依存句法分析結(jié)果可參考網(wǎng)址:https://ltp.readthedocs.io/zh_CN/latest/appendix.html 朽褪。
語(yǔ)義角色標(biāo)注
??語(yǔ)義角色標(biāo)注是實(shí)現(xiàn)淺層語(yǔ)義分析的一種方式置吓。在一個(gè)句子中,謂詞是對(duì)主語(yǔ)的陳述或說(shuō)明缔赠,指出“做什么”衍锚、“是什么”或“怎么樣,代表了一個(gè)事件的核心嗤堰,跟謂詞搭配的名詞稱為論元戴质。語(yǔ)義角色是指論元在動(dòng)詞所指事件中擔(dān)任的角色。主要有:施事者(Agent)踢匣、受事者(Patient)告匠、客體(Theme)、經(jīng)驗(yàn)者(Experiencer)离唬、受益者(Beneficiary)后专、工具(Instrument)、處所(Location)男娄、目標(biāo)(Goal)和來(lái)源(Source)等行贪。示例的Python代碼rolelabel.py如下:
# -*- coding: utf-8 -*-
import os
from pyltp import Segmentor, Postagger, Parser, SementicRoleLabeller
# 分詞
cws_model_path = os.path.join(os.path.dirname(__file__), 'data/cws.model') # 分詞模型路徑漾稀,模型名稱為`cws.model`
lexicon_path = os.path.join(os.path.dirname(__file__), 'data/lexicon.txt') # 參數(shù)lexicon是自定義詞典的文件路徑
segmentor = Segmentor()
segmentor.load_with_lexicon(cws_model_path, lexicon_path)
sent = '據(jù)韓聯(lián)社12月28日反映模闲,美國(guó)防部發(fā)言人杰夫·莫萊爾27日表示,美國(guó)防部長(zhǎng)蓋茨將于2011年1月14日訪問(wèn)韓國(guó)崭捍。'
words = segmentor.segment(sent) # 分詞
# 詞性標(biāo)注
pos_model_path = os.path.join(os.path.dirname(__file__), 'data/pos.model') # 詞性標(biāo)注模型路徑尸折,模型名稱為`pos.model`
postagger = Postagger() # 初始化實(shí)例
postagger.load(pos_model_path) # 加載模型
postags = postagger.postag(words) # 詞性標(biāo)注
# 依存句法分析
par_model_path = os.path.join(os.path.dirname(__file__), 'data/parser.model') # 模型路徑,模型名稱為`parser.model`
parser = Parser() # 初始化實(shí)例
parser.load(par_model_path) # 加載模型
arcs = parser.parse(words, postags) # 句法分析
# 語(yǔ)義角色標(biāo)注
srl_model_path = os.path.join(os.path.dirname(__file__), 'data/pisrl.model') # 語(yǔ)義角色標(biāo)注模型目錄路徑
labeller = SementicRoleLabeller() # 初始化實(shí)例
labeller.load(srl_model_path) # 加載模型
roles = labeller.label(words, postags, arcs) # 語(yǔ)義角色標(biāo)注
# 打印結(jié)果
for role in roles:
print(words[role.index], end=' ')
print(role.index, "".join(["%s:(%d,%d)" % (arg.name, arg.range.start, arg.range.end) for arg in role.arguments]))
# 釋放模型
segmentor.release()
postagger.release()
parser.release()
labeller.release()
輸出結(jié)果如下:
反映 4 A0:(1,1)A0:(2,3)
表示 11 MNR:(0,5)A0:(6,9)TMP:(10,10)A1:(13,22)
訪問(wèn) 21 A0:(13,15)ADV:(16,16)TMP:(17,20)A1:(22,22)
總結(jié)
??本文介紹了中文NLP的一個(gè)杰出工具pyltp殷蛇,并給出了該模塊的各個(gè)功能的一個(gè)示例实夹,希望能給讀者一些思考與啟示。本文到此結(jié)束粒梦,感謝大家閱讀~
注意:本人現(xiàn)已開通微信公眾號(hào): Python爬蟲與算法(微信號(hào)為:easy_web_scrape)亮航, 歡迎大家關(guān)注哦~~