fugashi-plus 1.5.2.post1

Cython MeCab wrapper for fast, pythonic Japanese tokenization and morphological analysis with additional improvements.

fugashi-plus

fugashi-plus は、主に Windows 対応や MeCab の ikegami-yukino/mecab への移行などコードのメンテナンスを目的とした、fugashi の派生ライブラリです。

Changes in this fork

• パッケージ名を fugashi-plus に変更
  • ライブラリ名は fugashi から変更されておらず、fugashi 本家同様に import fugashi でインポートできる
  • fugashi 本家のドロップイン代替として利用できる
• 明示的に Python 3.13 をサポート対象に追加
  • CI 対象の Python バージョンにも 3.13 を追加した
• Cython を 3.0 系に更新
  • https://github.com/cython/cython/issues/5982 の通り、Python 3.13 では一部の非推奨 C API が削除されている
  • Cython 0.x 系では Python 3.13 以降のビルドに失敗するため、Cython 3.0 系に更新した
• Cython モジュールに型ヒント (Type Hints) を追加
  • fugashi 本家には型ヒントが同梱されておらず、また fugashi はほぼ 100% Cython で書かれているため、Pylance などでのコード補完や型チェックが全く効かない
  • fugashi-plus では Cython モジュールに型ヒントを追加したことで、コード補完や型チェックが効くようになっている
• MeCab を現在もメンテナンスが続けられている ikegami-yukino/mecab に移行
  • オリジナルの Mecab (taku910/mecab) は、2020 年以降メンテナンスが放棄されている
    • 大元の設計から Windows での使用を想定していないようで、Windows のサポートは不十分
    • fugashi 本家では Windows 向け wheel のみ Windows 向けの修正を施した chezou/mecab が使われているが、2018 年以降メンテナンスが放棄されている
  • 一方 ikegami-yukino/mecab は現在でもメンテナンスが続けられており、Windows 64bit でも比較的容易にビルドできる
    • ただし、Visual Studio 2022 (Build Tools v143) では非推奨の一部 C++ 標準ライブラリが削除されている関係で、ビルドに失敗する
    • このため、GitHub Actions のビルド環境では明示的に Build Tools v142 (Visual Studio 2019 相当) でビルドを行っている
  • ikegami-yukino/mecab に移行することで、UniDic 2.3.0 以降でユーザー辞書のビルドに失敗する問題が修正される
    • 参考資料:
      • https://github.com/taku910/mecab/issues/10
      • https://github.com/polm/fugashi/issues/75
      • https://ja.stackoverflow.com/a/74219/48588
      • https://zenn.dev/zagvym/articles/28056236903369
      • https://qiita.com/CookieBox26/items/a607d9e25f3b18d209ea
    • 結局 MeCab 側の実装ミスかそれとも UniDic の作成不備かは釈然としないが、UniDic 側の作成不備だとすると 3.1.0 や最新版でも修正されていないのは不可解
    • ikegami-yukino/mecab ではこの問題を解決する https://github.com/taku910/mecab/pull/70 での修正内容が独自にマージされており、ユーザー辞書のビルドに失敗する問題が修正されている
    • 上記プルリクエストでの修正を取り込まない場合、巨大な UniDic を手元で再ビルドするか、値決め打ちで UniDic の辞書データのバイナリを書き換えるしかなくなり、どちらの方法も実運用上非常に問題がある
• Windows 環境において、システム辞書・ユーザー辞書の保存先パス指定が正常に機能しない問題を修正
  • fugashi 本家では GenericTagger クラス・build_dictionary() の両方で MeCab に渡す引数の分割に shlex.split() が使われていたが、shlex は Windows パスを正しく解釈しない
  • fugashi-plus では、Windows のみ shlex を使わず独自に引数解析を行うことで、ライブラリユーザー側でワークアラウンドを挟むことなく、正常にシステム辞書・ユーザー辞書の保存先パスを指定できるようにしている
• Tagger クラスのコンストラクタで、unidic / unidic-lite パッケージのインストール有無に関わらず、引数に指定されたシステム辞書を利用するよう変更
  • fugashi 本家では unidic / unidic-lite パッケージがインストール済みの環境だと、Tagger クラスのコンストラクタ引数 (arg) に独自にシステム辞書のパスを指定しても、常に unidic / unidic-lite パッケージ内蔵の UniDic が優先して利用されてしまっていた
  • fugashi-plus では、コンストラクタ引数 (arg) の文字列内に -r や -d オプションが含まれない場合にのみ、unidic / unidic-lite パッケージに内蔵の UniDic を検出するロジックに変更している
• その他コードのクリーンアップなど

Installation

下記コマンドを実行して、ライブラリをインストールできます。

pip install fugashi-plus

下記のドキュメントは、fugashi 本家のドキュメントを改変なしでそのまま引き継いでいます。
これらのドキュメントの内容が fugashi-plus にも通用するかは保証されません。

---

fugashi

fugashi is a Cython wrapper for MeCab, a Japanese tokenizer and morphological analysis tool. Wheels are provided for Linux, OSX (Intel), and Win64, and UniDic is easy to install.

issueを英語で書く必要はありません。

Check out the interactive demo, see the blog post for background on why fugashi exists and some of the design decisions, or see this guide for a basic introduction to Japanese tokenization.

If you are on a platform for which wheels are not provided, you'll need to install MeCab first. It's recommended you install from source. If you need to build from source on Windows, @chezou's fork is recommended; see issue #44 for an explanation of the problems with the official repo.

Known platforms without wheels:

• musl-based distros like alpine #77
• PowerPC
• Windows 32bit

Usage

from fugashi import Tagger

tagger = Tagger('-Owakati')
text = "麩菓子は、麩を主材料とした日本の菓子。"
tagger.parse(text)
# => '麩 菓子 は 、 麩 を 主材 料 と し た 日本 の 菓子 。'
for word in tagger(text):
    print(word, word.feature.lemma, word.pos, sep='\t')
    # "feature" is the Unidic feature data as a named tuple

Installing a Dictionary

fugashi requires a dictionary. UniDic is recommended, and two easy-to-install versions are provided.

• unidic-lite, a slightly modified version 2.1.2 of Unidic (from 2013) that's relatively small
• unidic, the latest UniDic 3.1.0, which is 770MB on disk and requires a separate download step

If you just want to make sure things work you can start with unidic-lite, but for more serious processing unidic is recommended. For production use you'll generally want to generate your own dictionary too; for details see the MeCab documentation.

To get either of these dictionaries, you can install them directly using pip or do the below:

pip install 'fugashi[unidic-lite]'

# The full version of UniDic requires a separate download step
pip install 'fugashi[unidic]'
python -m unidic download

For more information on the different MeCab dictionaries available, see this article.

Dictionary Use

fugashi is written with the assumption you'll use Unidic to process Japanese, but it supports arbitrary dictionaries.

If you're using a dictionary besides Unidic you can use the GenericTagger like this:

from fugashi import GenericTagger
tagger = GenericTagger()

# parse can be used as normal
tagger.parse('something')
# features from the dictionary can be accessed by field numbers
for word in tagger(text):
    print(word.surface, word.feature[0])

You can also create a dictionary wrapper to get feature information as a named tuple.

from fugashi import GenericTagger, create_feature_wrapper
CustomFeatures = create_feature_wrapper('CustomFeatures', 'alpha beta gamma')
tagger = GenericTagger(wrapper=CustomFeatures)
for word in tagger.parseToNodeList(text):
    print(word.surface, word.feature.alpha)

Citation

If you use fugashi in research, it would be appreciated if you cite this paper. You can read it at the ACL Anthology or on Arxiv.

@inproceedings{mccann-2020-fugashi,
    title = "fugashi, a Tool for Tokenizing {J}apanese in Python",
    author = "McCann, Paul",
    booktitle = "Proceedings of Second Workshop for NLP Open Source Software (NLP-OSS)",
    month = nov,
    year = "2020",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2020.nlposs-1.7",
    pages = "44--51",
    abstract = "Recent years have seen an increase in the number of large-scale multilingual NLP projects. However, even in such projects, languages with special processing requirements are often excluded. One such language is Japanese. Japanese is written without spaces, tokenization is non-trivial, and while high quality open source tokenizers exist they can be hard to use and lack English documentation. This paper introduces fugashi, a MeCab wrapper for Python, and gives an introduction to tokenizing Japanese.",
}

Alternatives

If you have a problem with fugashi feel free to open an issue. However, there are some cases where it might be better to use a different library.

• If you don't want to deal with installing MeCab at all, try SudachiPy.
• If you need to work with Korean, try pymecab-ko or KoNLPy.

License and Copyright Notice

fugashi is released under the terms of the MIT license. Please copy it far and wide.

fugashi is a wrapper for MeCab, and fugashi wheels include MeCab binaries. MeCab is copyrighted free software by Taku Kudo <[e-mail]> and Nippon Telegraph and Telephone Corporation, and is redistributed under the BSD License.