jionlp 1.3.34

Chinese NLPreprocessing & Parsing

<a alt="jionlp logo">

    <img src="../../blob/master/image/jionlp_logo.jpg" / style="width:300px;height:130px">

</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-18.9m-orange" /></a>

<a alt="Downloads">

    <img src="https://img.shields.io/badge/downloads-5k-yellow" /></a>

<a alt="Version">

    <img src="https://img.shields.io/badge/version-1.3.34-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

   ——安装：pip install jionlp

   ——JioNLP在线版 可快速试用部分功能（测试版，可能存在不稳定）

• 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，删除HTML标签、删除异常字符、删除冗余字符，转换全角字母、数字、空格为半角，抽取及删除E-mail及域名、抽取及删除（手机号、座机号）电话号码、抽取及删除QQ号、抽取及删除括号内容、抽取及删除身份证号、抽取及删除IP地址、抽取及删除URL超链接、抽取及删除货币金额与单位，金额数字转大写汉字，时间语义解析，解析身份证号信息、解析手机号码归属地、解析座机区号归属地、解析手机号码运营商，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，时间实体抽取，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、公历转农历日期、农历转公历日期

Update 2021-09-09

新增 时间实体抽取

jio.ner.extract_time 从文本中抽取时间实体（不依赖模型，纯规则）。

import time

import jionlp as jio

text = '【新华社报2021-9-9】国家统计局今天发布了2021年8月份全国CPI（居民消费价格指数）和PPI（工业生产者出厂价格指数）数据。'

res = jio.ner.extract_time(text, time_base={'year': 2021})

print(res)



# [{'text': '2021-9-9', 'offset': [5, 13], 'type': 'time_point'},

#  {'text': '今天', 'offset': [19, 21], 'type': 'time_point'},

#  {'text': '2021年8月份', 'offset': [24, 32], 'type': 'time_point'}]

Update 2021-07-26

新增 时间语义解析

jio.parse_time 给定时间字符串，解析其为时间戳、时长等。

import time

import jionlp as jio

res = jio.parse_time('今年9月', time_base={'year': 2021})

print(res)

res = jio.parse_time('零三年元宵节晚上8点半', time_base=time.time())

print(res)

res = jio.parse_time('一万个小时')

print(res)

res = jio.parse_time('100天之后', time.time())

print(res)

res = jio.parse_time('每周五下午4点', time.time())

print(res)



# {'type': 'time_span', 'definition': 'accurate', 'time': ['2021-09-01 00:00:00', '2021-09-30 23:59:59']}

# {'type': 'time_point', 'definition': 'accurate', 'time': ['2003-02-15 20:30:00', '2003-02-15 20:30:59']}

# {'type': 'time_delta', 'definition': 'accurate', 'time': {'hour': 10000.0}}

# {'type': 'time_span', 'definition': 'blur', 'time': ['2021-10-22 00:00:00', 'inf']}

# {'type': 'time_period', 'definition': 'accurate', 'time': {'delta': {'day': 7}, 

#  'point': {'time': ['2021-07-16 16:00:00', '2021-07-16 16:59:59'], 'string': '周五下午4点'}}}

• 目前支持年月日、时分秒、星期、季节、季度、节日、农历、时间范围、时间段、时间周期、模糊时间代词等解析。

• TODO: 细节与参数仍有待完善。

• 关于时间语义解析

• 目前支持的所有 测试用例

完整示例

• 一般首先对文本进行时间类型的实体识别，得到如上图的时间实体。然后选定其中的 time_base(选定新闻发布时间2021-07-15 09:03:47)，即可采用本工具处理，得到结果如下：

7月15日               time_point  ['2021-07-15 00:00:00', '2021-07-15 23:59:59']

今年上半年             time_span   ['2021-01-01 00:00:00', '2021-06-30 23:59:59']

两年                  time_delta  {'year': 2.0}

一季度                time_span   ['2021-01-01 00:00:00', '2021-03-31 23:59:59']

二季度                time_span   ['2021-04-01 00:00:00', '2021-06-30 23:59:59']

上半年                time_span   ['2021-01-01 00:00:00', '2021-06-30 23:59:59']

春节                  time_point  ['2021-02-12 00:00:00', '2021-02-12 23:59:59']

五一                  time_point  ['2021-05-01 00:00:00', '2021-05-01 23:59:59']

端午                  time_point  ['2021-06-14 00:00:00', '2021-06-14 23:59:59']

6月份                 time_point  ['2021-06-01 00:00:00', '2021-06-30 23:59:59']

16个月                time_delta  {'month': 16.0}

从2018年至今           time_span   ['2018-01-01 00:00:00', '2021-07-15 09:03:47']

每年                  time_period {'delta': {'year': 1}, 'point': None}

1-5月份               time_span   ['2021-01-01 00:00:00', '2021-05-31 23:59:59']

2020年1-5月份         time_span   ['2020-01-01 00:00:00', '2020-05-31 23:59:59']

2021-07-15 09:03:47  time_point  ['2021-07-15 09:03:47', '2021-07-15 09:03:47']

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

• 可能存在的问题

# 如安装失败，遇到安装时提示的 pkuseg、Microsoft Visual C++、gcc、g++ 等信息，

# 则说明是 pkuseg 安装失败，需要在相应系统中安装 C 和 C++ 编译器，重新安装。

# pip install pkuseg

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

• 星级⭐代表优质特色功能

1.小工具集 Gadgets

| 功能 | 函数 |描述 |星级 |

|--------|-------|-------|-------|

|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 | |

|时间语义解析 |parse_time|给定时间文本，解析其时间语义（时间戳、时长）等 |⭐|

|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（手机号、座机号）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 |⭐|

|公历农历日期互转|lunar2solar
solar2lunar |给定某公（农）历日期，将其转换为农（公）历 ||

|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

• 文本数据增强各方法说明

| 功能 | 函数 |描述 |星级 |

|--------|--------|-------|------|

|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 |星级 |

|--------|--------|-------|-------|

|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
money_standardization|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(含手机号、座机号)，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 |星级 |

|--------|--------|-------|-------|

|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 |星级 |

|-----|-----|------|------|

|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

• 工具包 NER 数据规定说明

| 功能 | 函数 |描述 |星级 |

|--------|--------|-------|-------|

|抽取时间实体 |extract_time |从文本中抽取出时间实体 |⭐ |

|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 |星级 |

|--------|--------|-------|------|

|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 |星级 |

|--------|--------|-------|-------|

|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

• NLP 预处理至关重要，且非常耗时。本 lib 能快速辅助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 Wechat 交流群

如以下码失效，请先添加 vx：dongrixinyu89

如您感觉本工具对您有帮助，可以扫码请作者喝杯咖啡 (●'◡'●)