使用Moses进行英文分词
clone到本地后,在/mosesdecoder/scripts/tokenizer/normalize-punctuation.perl
中规定了标点符号规范化规则,使用 /mosesdecoder/scripts/tokenizer/tokenizer.perl
进行分词。
首先将添加环境变量:export moses_scripts="~/nlp/git/mosesdecoder/scripts"
添加后输入echo,打印出环境变量的路径。
csharp
:~/nlp/git/mosesdecoder/scripts$ echo $moses_scripts
~/nlp/git/mosesdecoder/scripts
在终端执行:
csharp
:~/nlp/token$ echo "My name is loopy." | perl ~/nlp/git/mosesdecoder/scripts/tokenizer/tokenizer.perl -a -l en -no-escape
Tokenizer Version 1.1
Language: en
Number of threads: 1
My name is loopy .
显示分词处理后的内容。
|
为管道命令,command1 | command2 | command3
将前一个文件的输出给下一个文件的输入
-a
表示aggressive,决定是否为激进的切分,切分的尽可能小。
csharp
:~/nlp/token$ echo "My name is-loopy." | perl ~/nlp/git/mosesdecoder/scripts/tokenizer/tokenizer.perl -a -l en -no-escape
My name is @-@ loopy .
:~/nlp/token$ echo "My name is-loopy." | perl ~/nlp/git/mosesdecoder/scripts/tokenizer/tokenizer.perl -l en -no-escape
My name is-loopy .
其中-a切分,@-@表示"-"和前后两tokens相连;而不带-a的切分则不会将"-"切分为token
-l
后跟语言,en表示英文
-no-escape
:用于禁止 Moses 在输出翻译结果时对特殊字符进行转义
csharp
:~/nlp/token$ echo "My name is loopy &." | perl ~/nlp/git/mosesdecoder/scripts/tokenizer/tokenizer.perl -l en
My name is loopy & .
:~/nlp/token$ echo "My name is loopy &." | perl ~/nlp/git/mosesdecoder/scripts/tokenizer/tokenizer.perl -l en -no-escape
My name is loopy & .
如果预处理的内容做得足够好,那么应该使用-no-escape
来保留完整的文本。
可以将分词后的内容输入到文件里,而不是直接输出到终端:
csharp
:~/nlp/token$ echo "My name is loopy." | perl ~/nlp/git/mosesdecoder/scripts/tokenizer/tokenizer.perl -a -l en -no-escape > tmp.txt
Tokenizer Version 1.1
Language: en
Number of threads: 1
:~/nlp/token$ cat tmp.txt
My name is loopy .
将预处理后的英文文本规范化标点后分词
csharp
:~/nlp/token$ perl ~/nlp/git/mosesdecoder/scripts/tokenizer/normalize-punctuation.perl -l en < uni.en | perl ~/nlp/git/mosesdecoder/scripts/tokenizer/tokenizer.perl -l en -no-escape > en.tok &
使用&将程序可以放到后台执行,执行结束后看到分词后的en.tok文件:
对分词后的文本处理大小写问题
在英文文本中,句首词首字母需要大写,但句首词The和句中的the是同一个单词,我们需要把句首词的大写转成小写。但却不能粗暴地将所有大写转为小写(因为一些专有名词仍然需要大写)。因此需要训练一个模型判断后修改。
使用/mosesdecoder/scripts/recaser/train-recaser.perl
进行模型的训练。
python
:~/nlp/token$ perl ~/nlp/git/mosesdecoder/scripts/recaser/train-recaser.perl --model truecaser.en --corpus en.tok
--model
后的参数是训练好的模型的输出路径,--corpus
后是传入的数据。
python
:~/nlp/token$ perl ~/nlp/git/mosesdecoder/scripts/recaser/truecase.perl --model truecase.en < en.tok > en.tc
利用训练好的模型进行大小写转换。转换后的文本输入到en.tc中,如下图:
可以看到,首字母大写已经被转化为小写。
使用jieba进行中文分词
首先安装jieba:pip install jieba
github jieba
python
#seg.py
#encoding: utf-8
import sys
from jieba import cut
def handle(srcf, rsf):
ens = "\n".encode("utf-8")
with open(srcf,"rb") as frd, open(rsf,"wb") as fwrt:
for line in frd:
tmp = line.strip()#除去每行首尾换行符、空格、制表符
if tmp:
fwrt.write(" ".join(cut(tmp.decode("utf-8"))).encode("utf-8"))#cut方法调用后,转化成list即可以看到每行分词后的结果,即将每行转化为分词,每个分词均是字符串类型,使用空格隔开转化为字符串
fwrt.write(ens)#行末添加换行符
if __name__=="__main__":
handle(*sys.argv[1:])
str.join(iterable)中,可迭代对象中的元素必须是字符串类型,否则TypeError。
执行seg.py文件,对预处理后的中文文本进行分词
python
:~/nlp/token$ python seg.py uni.zh zh.tok
Building prefix dict from the default dictionary ...
Loading model from cache /tmp/jieba.cache
Loading model cost 0.283 seconds.
Prefix dict has been built successfully.
执行结束后看到分词后的zh.tok文件:
利用OpenCC进行繁简体转换
python
# t2s.py
#encoding: utf-8
import sys
import opencc
def t2s(srcf, rsf):
ens = "\n".encode("utf-8")
with open(srcf,"rb") as frd, open(rsf,"wb") as fwrt:
for line in frd:
tmp = line.strip()#除去每行首尾换行符、空格、制表符
if tmp:
converter = opencc.OpenCC('t2s.json')
tmp = converter.convert(tmp.decode("utf-8"))
fwrt.write(tmp.encode("utf-8"))
fwrt.write(ens)
if __name__=="__main__":
t2s(*sys.argv[1:])
有t2s.json和s2t.json文件,t即为traditional繁体,s为simple简体。
执行python t2s.py zh.tok t2s.tok
即可将所有繁体转化为简体。