Chinese NLP Preprocessing & Parsing
Project description
<a alt="jionlp logo">
<img src="../../blob/master/image/jionlp_logo.jpg" / style="width:300px;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-20.1m-orange" /></a>
<a alt="Downloads">
<img src="https://img.shields.io/badge/downloads-6k-yellow" /></a>
<a alt="Version">
<img src="https://img.shields.io/badge/version-1.3.53-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 2021-10-25
更新 货币金额实体抽取
jio.ner.extract_money 从文本中抽取货币金额实体(不依赖模型,纯规则)。
配合 jio.parse_time 货币金额解析使用(见下一个 Update)
import jionlp as jio
text = '张三赔偿李大花人民币车费601,293.11元,工厂费大约一万二千三百四十五元,利息叁伍佰日元,打印费人民币十块钱。'
res = jio.ner.extract_money(text, with_parsing=False)
print(res)
# [{'text': '601,293.11元', 'offset': [12, 23], 'type': 'money'},
# {'text': '大约一万二千三百四十五元', 'offset': [27, 39], 'type': 'money'},
# {'text': '叁伍佰日元', 'offset': [42, 47], 'type': 'money'},
# {'text': '人民币十块钱', 'offset': [50, 56], 'type': 'money'}]
完整示例
Update 2021-10-25
更新 货币金额解析
jio.parse_money 给定货币金额字符串,解析其标准金额、货币类型、精确度。
import jionlp as jio
text_list = ['约4.287亿美元', '两个亿卢布', '六十四万零一百四十三元一角七分', '3000多欧元', '三五佰块钱', '七百到九百亿泰铢']
moneys = [jio.parse_money(text) for text in text_list]
# 约4.287亿美元: {'num': '428700000.00', 'case': '美元', 'definition': 'blur'}
# 两个亿卢布: {'num': '200000000.00', 'case': '卢布', 'definition': 'accurate'}
# 六十四万零一百四十三元一角七分: {'num': '640143.17', 'case': '元', 'definition': 'accurate'}
# 3000多欧元: {'num': ['3000.00', '4000.00'], 'case': '欧元', 'definition': 'blur'}
# 三五百块钱: {'num': ['300.00', '500.00'], 'case': '元', 'definition': 'blur'}
# 七百到九百亿泰铢: {'num': ['70000000000.00', '90000000000.00'], 'case': '泰铢', 'definition': 'blur'}
-
支持纯数字格式,如:987273.3美元
-
支持大写中文金额,如:柒仟六佰零弎萬肆仟叁佰贰拾壹元伍分
-
支持混合格式,如:1.26万港元
-
支持修饰词解析,如:将近6万块钱、至少1000块钱以上
-
支持模糊金额解析,如:两万多元钱,6千多亿日元
-
支持金额范围解析,如:十二到十五万泰铢、三四仟块钱
-
支持口语化中文格式,如:三十五块三毛;但对于“三十五块八”这样的字符串,在文本中存在歧义,如“三十五块八颗糖”等,因此,
jio.ner.extract_money
对于此字符串不予抽取,但parse_money
可以将“三十五块八”看作完整的口语化金额,标准化为“35.80元” -
支持多种常见货币类型:人民币,港元,澳门元,美元,日元,澳元,韩元,卢布,英镑,马克,法郎,欧元,加元,泰铢,台币等。
Update 2022-03-07
更新 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})
res = jio.parse_time('零三年元宵节晚上8点半', time_base=time.time())
res = jio.parse_time('一万个小时')
res = jio.parse_time('100天之后', time.time())
res = jio.parse_time('每周五下午4点', time.time(), period_results_num=2)
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'],
# ['2021-07-23 16:00:00', '2021-07-23 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。
-
支持对未来时间优先选择,参数为
ret_future(bool)
。 -
目前支持的所有 测试用例
完整示例
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
# pkuseg 由于久未更新,对 python>=3.9 不兼容,若遇到调用报错,则须退回至 3.8 版本以下的解释器。
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
| 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 | |
|解析 货币金额 |extract_money|解析货币金额字符串 |⭐ |
|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 | |
|日志工具 |set_logger |调整工具包日志输出形式 | |
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
| 功能 | 函数 |描述 |星级 |
|--------|--------|-------|-------|
|抽取货币金额实体 |extract_money |从文本中抽取出货币金额实体 |⭐ |
|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 | |
9.分词
| 功能 | 函数 |描述 |星级 |
|--------|--------|-------|-------|
|word 转 tag |cws.word2tag|将 json 格式分词序列转换为模型处理的 tag 序列 | |
|tag 转 word |cws.tag2word|将模型处理的 tag 序列转换为 json 格式分词 | |
|统计F1值 |cws.f1|比对分词标注标签于模型预测标签的F1值 | |
初衷
-
NLP 预处理与解析至关重要,且非常耗时。本 lib 能快速辅助完成各种琐碎的预处理、解析操作,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
如本工具对您有帮助,请点一下右上角 star ⭐
或者扫码请作者喝杯咖啡 (●'◡'●),谢谢啦 ~~
- 感谢致谢名单中赞助的小伙伴们,你们的打赏让我更有动力
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-1.3.53-py2.py3-none-any.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | db727ac8d7d9834f2ccce5a503fcd93b72fe43aac8bac4e5013cf5e6b06aae98 |
|
MD5 | 5df03792d08767630c350194bb9e4563 |
|
BLAKE2b-256 | 37cc0ed8b4918d4611d72a7a9ce138caa9375cb8197f231c9d8e6e9454f8293b |