Preprocessing tool for Chinese NLP
Project description
<a alt="jionlp logo">
<img src="./jionlp_logo.jpg" / style="width:100px;height:100px">
</a>
<a alt="License">
<img src="https://img.shields.io/github/license/dongrixinyu/JioNLP?color=crimson" /></a>
<a alt="Size">
<img src="https://img.shields.io/badge/size-21.4m-orange" /></a>
<a alt="Downloads">
<img src="https://img.shields.io/badge/downloads-4k-yellow" /></a>
<a alt="Version">
<img src="https://img.shields.io/badge/version-1.3.16-green" /></a>
<a href="https://github.com/dongrixinyu/JioNLP/pulse" alt="Activity">
<img src="https://img.shields.io/github/commit-activity/m/dongrixinyu/JioNLP?color=blue" /></a>
——JioNLP:中文 NLP 预处理工具包 A Python Lib for Chinese NLP Preprocessing
pip install jionlp
-
做 NLP 任务,需要清洗、过滤语料?用 JioNLP
-
做 NLP 任务,需要做信息抽取?用 JioNLP
-
做 NLP 任务,需要数据增强?用 JioNLP
-
做 NLP 任务,需要给模型添加偏旁、拼音、词典、繁体转换信息?用 JioNLP
总之,JioNLP 提供 NLP 任务预处理功能,准确、高效、零使用门槛,并提供一步到位的查阅入口。
功能主要包括:文本清洗,去除HTML标签、异常字符、冗余字符,转换全角字母、数字、空格为半角,抽取及删除E-mail及域名、电话号码、QQ号、括号内容、身份证号、IP地址、URL超链接、货币金额与单位,金额数字转大写汉字,解析身份证号信息、手机号码归属地、座机区号归属地、手机号码运营商,按行快速读写文件,(多功能)停用词过滤,(优化的)分句,地址解析,新闻地域识别,繁简体转换,汉字转拼音,汉字偏旁、字形、四角编码、五笔编码拆解,基于词典的情感分析,色情数据过滤,反动数据过滤,关键短语抽取,抽取式文本摘要,成语接龙,成语词典、歇后语词典、新华字典、新华词典、停用词典、中国地名词典、中国县级地名变更词典、世界地名词典,基于词典的NER,NER的字、词级别转换,NER的entity和tag格式转换,NER模型的预测阶段加速并行工具集,NER标注和模型预测的结果差异对比,NER标注数据集分割与统计,NER实体收集、文本分类标注数据集的分割与统计、回译数据增强、相邻近汉字换位数据增强、同音词替换数据增强、随机增删字符数据增强、实体替换数据增强
Update 2021-03-18
新增 实体替换数据增强
根据实体词典,对文本中的实体进行替换。
>>> import jionlp as jio
>>> replace_entity = jio.ReplaceEntity(
{'Person':{'张守住': 3, '三矢水介':1, '刘美婷':2},
'Country':{'马来西亚': 2}})
>>> aug_texts, aug_entities = jio.replace_entity(
'一位名叫“伊藤慧太”的男子身着日本匠人常穿的作务衣,面带微笑,用日语侃侃而谈',
[{'text': '伊藤慧太', 'type': 'Person', 'offset': (5, 9)},
{'text': '日本', 'type': 'Country', 'offset': (15, 17)}])
>>> print(aug_texts, aug_entities)
# aug_texts:
# ['一位名叫“伊藤慧太”的男子身着马来西亚匠人常穿的作务衣,面带微笑,用日语侃侃而谈',
# '一位名叫“刘美婷”的男子身着日本匠人常穿的作务衣,面带微笑,用日语侃侃而谈', # 语义矛盾,但不影响任务训练
# '一位名叫“张守住”的男子身着日本匠人常穿的作务衣,面带微笑,用日语侃侃而谈'],
# aug_entities:
# [[{'text': '伊藤慧太', 'type': 'Person', 'offset': (5, 9)},
# {'text': '马来西亚', 'type': 'Country', 'offset': [15, 19]}],
# [{'text': '刘美婷', 'type': 'Person', 'offset': [5, 8]},
# {'text': '日本', 'type': 'Country', 'offset': (14, 16)}],
# [{'text': '张守住', 'type': 'Person', 'offset': [5, 8]},
# {'text': '日本', 'type': 'Country', 'offset': (14, 16)}]])
安装 Installation
- python>=3.6 github 版本略领先于 pip
$ git clone https://github.com/dongrixinyu/JioNLP
$ cd ./JioNLP
$ pip install .
- pip 安装
$ pip install jionlp
使用 Features
- 导入工具包,查看工具包的主要功能与函数注释
>>> import jionlp as jio
>>> jio.help() # 输入关键词搜索工具包是否包含某功能,如输入“回译”
>>> dir(jio)
>>> print(jio.extract_parentheses.__doc__)
- 在 Linux 系统,可使用以下命令做搜索:
$ jio_help
1.小工具集 Gadgets
| 功能 | 函数 |描述 |
|--------|--------|-------|
|查找帮助 |help|若不知道 JioNLP 有哪些功能,可根据命令行提示键入若干关键词做搜索 |
|关键短语抽取 |extract_keyphrase|给定一篇文本,抽取其对应关键短语 |
|抽取式文本摘要 |extract_summary|给定一篇文本,抽取其对应文摘 |
|停用词过滤 |remove_stopwords|给定一个文本被分词后的词 list,去除其中的停用词 |
|分句 |split_sentence|对文本按标点分句 |
|地址解析 |parse_location|给定一个包含国内地址字符串,识别其中的省、市、县区、乡镇街道、村社等信息 |
|电话号码归属地、
运营商解析 |phone_location
cell_phone_location
landline_phone_location |给定一个电话号码字符串,识别其中的省、市、运营商 |
|新闻地名识别 |recognize_location|给定新闻文本,识别其中的国内省、市、县,国外国家、城市等信息 |
|身份证号解析 |parse_id_card|给定一个身份证号,识别对应的省、市、县、出生年月、
性别、校验码等信息 |
|成语接龙 |idiom_solitaire|成语接龙,即前一成语的尾字和后一成语的首字(读音)相同 |
|色情数据过滤 | |
|反动数据过滤 | |
|繁体转简体 |tra2sim|繁体转简体,支持逐字转与最大匹配两种模式 |
|简体转繁体 |sim2tra|简体转繁体,支持逐字转与最大匹配两种模式 |
|汉字转拼音 |pinyin| 找出中文文本对应的汉语拼音,并可返回声母、韵母、声调 |
|汉字转偏旁与字形 |char_radical| 找出中文文本对应的汉字字形结构信息,
包括偏旁部首(“河”氵)、字形结构(“河”左右结构)、
四角编码(“河”31120)、汉字拆解(“河”水可)、
五笔编码(“河”ISKG) |
|金额数字转汉字|money_num2char| 给定一条数字金额,返回其汉字大写结果 |
2.数据增强
| 功能 | 函数 |描述 |
|--------|--------|-------|
|回译 |BackTranslation|给定一篇文本,采用各大厂云平台的机器翻译接口,实现数据增强 |
|邻近汉字换位 |swap_char_position|随机交换相近字符的位置,实现数据增强 |
|同音词替换 |homophone_substitution|相同读音词汇替换,实现数据增强 |
|随机增删字符 |random_add_delete|随机在文本中增加、删除某个字符,对语义不造成影响 |
|NER实体替换 |replace_entity|根据实体词典,随机在文本中替换某个实体,对语义不造成影响,也广泛适用于序列标注、文本分类 |
3.正则抽取与解析
| 功能 | 函数 |描述 |
|--------|--------|-------|
|清洗文本 |clean_text|去除文本中的异常字符、冗余字符、HTML标签、括号信息、
URL、E-mail、电话号码,全角字母数字转换为半角 |
|抽取 E-mail |extract_email|抽取文本中的 E-mail,返回位置与域名 |
|抽取 金额 |extract_money|抽取文本中的金额,并将其以数字 + 单位标准形式输出 |
|抽取电话号码 |extract_phone_number| 抽取电话号码(含手机、座机),返回域名、类型与位置 |
|抽取中国身份证 ID |extract_id_card|抽取身份证 ID,配合 jio.parse_id_card 返回身份证的
详细信息(省市县、出生日期、性别、校验码)|
|抽取 QQ 号 |extract_qq|抽取 QQ 号,分为严格规则和宽松规则 |
|抽取 URL |extract_url|抽取 URL 超链接 |
|抽取 IP地址 |extract_ip_address|抽取 IP 地址|
|抽取括号中的内容 |extract_parentheses|抽取括号内容,包括 {}「」[]【】()()<>《》 |
|删除 E-mail |remove_email|删除文本中的 E-mail 信息 |
|删除 URL |remove_url |删除文本中的 URL 信息|
|删除 电话号码 |remove_phone_number|删除文本中的电话号码 |
|删除 IP地址|remove_ip_address|删除文本中的 IP 地址 |
|删除 身份证号 |remove_id_card|删除文本中的身份证信息 |
|删除 QQ |remove_qq|删除文本中的 qq 号|
|删除 HTML标签 |remove_html_tag|删除文本中残留的 HTML 标签 |
|删除括号中的内容 |remove_parentheses|删除括号内容,包括 {}「」[]【】()()<>《》 |
|删除异常字符 |remove_exception_char|删除文本中异常字符,主要保留汉字、常用的标点,
单位计算符号,字母数字等 |
4.文件读写工具
| 功能 | 函数 |描述 |
|--------|--------|-------|
|按行读取文件 |read_file_by_iter |以迭代器形式方便按行读取文件,节省内存,
支持指定行数,跳过空行 |
|按行读取文件 |read_file_by_line |按行读取文件,支持指定行数,跳过空行 |
|将 list 中元素按行写入文件 |write_file_by_line| 将 list 中元素按行写入文件 |
|计时工具 |TimeIt| 统计某一代码段的耗时 |
5.词典加载与使用
| 功能 | 函数 | 描述 |
|-----|-----|------|
|成语词典 |chinese_idiom_loader|加载成语词典 |
|歇后语词典 |xiehouyu_loader|加载歇后语词典 |
|中国地名词典 |china_location_loader|加载中国省、市、县三级词典 |
|中国区划调整词典 |china_location_change_loader|加载 2018 年以来中国县级以上区划调整更名记录 |
|世界地名词典 |world_location_loader|加载世界大洲、国家、城市词典 |
|新华字典 |chinese_char_dictionary_loader|加载新华字典 |
|新华词典 |chinese_word_dictionary_loader|加载新华词典 |
6.实体识别(NER)算法辅助工具集
| 功能 | 函数 |描述 |
|--------|--------|-------|
|基于词典NER |LexiconNER|依据指定的实体词典,前向最大匹配实体 |
|entity 转 tag |entity2tag|将 json 格式实体转换为模型处理的 tag 序列 |
|tag 转 entity |tag2entity|将模型处理的 tag 序列转换为 json 格式实体 |
|字 token 转词 token |char2word|将字符级别 token 转换为词汇级别 token |
|词 token 转字 token |word2char|将词汇级别 token 转换为字符级别 token |
|比较标注与模型预测的实体差异 |entity_compare|针对人工标注的实体,与模型预测出的实体结果
,做差异比对 |
|NER模型预测加速 |TokenSplitSentence
TokenBreakLongSentence
TokenBatchBucket|对 NER 模型预测并行加速的方法 |
|分割数据集 |analyse_dataset|对 NER 标注语料,分为训练集、验证集、测试集,并给出各个子集的实体类型分布统计 |
|实体收集 |collect_dataset_entities|将标注语料中的实体收集起来,形成词典 |
7.文本分类
| 功能 | 函数 |描述 |
|--------|--------|-------|
|朴素贝叶斯分析类别词汇 |analyse_freq_words|对文本分类的标注语料,做朴素贝叶斯词频分析,返回各类
文本的高条件概率词汇 |
|分割数据集 |analyse_dataset|对文本分类的标注语料,切分为训练集、验证集、测试集,
并给出各个子集的分类分布统计 |
8.情感分析
| 功能 | 函数 |描述 |
|--------|--------|-------|
|基于词典情感分析 |LexiconSentiment|依据人工构建的情感词典,计算文本的情感值,介于0~1之间 |
初衷
-
开发 NLP 模型,预处理至关重要且非常耗时。本工具包能快速辅助工程师完成各种琐碎的预处理操作,加速开发进度,把有限的精力用在思考而非 code 上。
-
如有功能建议、bug,可通过 issue 按模板提出。
-
如感兴趣合作完善本工具包,请参考 TODO.txt 文件进行功能添加。
做NLP不易,欢迎加入自然语言处理交流群 (#^.^#)
Project details
Release history Release notifications | RSS feed
Download files
Download the file for your platform. If you're not sure which to choose, learn more about installing packages.
Source Distributions
Built Distribution
Hashes for jionlp-1.3.16-py2.py3-none-any.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 2f8e9c7a76286e3495470d3242954df829974409df1889ef88e4d9e9b24e84f8 |
|
MD5 | a1a43f3307034dc9d61177384ba80f3a |
|
BLAKE2b-256 | 08eb38cfd9130827d4aa224bf1f73cc6f1a107c740871a59711980709da2946f |