Skip to main content

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-19.3m-orange" /></a>

<a alt="Downloads">

    <img src="https://pepy.tech/badge/jionlp/month" /></a>

<a alt="Version">

    <img src="https://img.shields.io/badge/version-1.5.5-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、解析工具包 A Python Lib for Chinese NLP Preprocessing & Parsing

   安装:pip install jionlp

2023-07-03 添加清洗 html 文本

  • 对于爬虫 html 格式文本的统一化清洗方法,得到的文本数据可用于语言模型预训练。

  • 当然,由于不同网页 html 文本差异极大,针对特定数据还需要特殊的清洗方法,需要在本方法基础上进一步修正和改进。


>>> import jionlp as jio

>>> html_text = '<html><body>....</body></html>'

>>> res = jio.clean_html(html_text)

>>> print(res)

2023-05-01 添加大语言模型 LLM 评测数据集

  • LLM 各个厂家都在做自研,都声称对标 ChatGPT,那就出一份数据集,测试一下各家模型效果究竟如何?

  • 主要针对中文,覆盖语言模型能力的各个方面。

  • 评测结果可关注公众号JioNLP,查阅具体各家评测截图pdf。


>>> import jionlp as jio

>>> llm_test = jio.llm_test_dataset_loader()

>>> print(llm_test[15])

2023-02-21 添加 Byte-level BPE 算法Byte-level BPE

  • 基于字节的 BPE 算法,适用于多语言token编码,目前仅实现了 Byte-level BPE 算法中 Byte-level 部分

>>> import jionlp as jio

>>> res = jio.bpe.byte_level_bpe.encode('メトロ')

>>> res = jio.bpe.byte_level_bpe.decode('ãĥ¡ãĥĪdsãĥŃ')

# 'メトdsロ'

>>> res = jio.bpe.byte_level_bpe.decode('ãĥ¡ãĥĪãdsĥŃ')

# 'メト�ds��'

2022-11-28 更新 正则判断类函数族

jio.check_any_chinese_char 检查文本中是否包含中文字符


>>> import jionlp as jio

>>> print(jio.check_any_chinese_char('【新华社消息】(北京时间)从昨天...'))



# True

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

>>> print(jio.__version__)  # 查看 jionlp 的版本

>>> 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 | |

|车牌号解析 |parse_motor_vehicle_licence_plate|给定一个车牌号,对其进行解析 |⭐|

|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 |- |- |

|体转 |tra2sim|繁体转简体,支持逐字转最大匹配两种模式 | |

|体转 |sim2tra|简体转繁体,支持逐字转最大匹配两种模式 | |

|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 | |

|新词发现|new_word_discovery| 给定一语料文本文件,统计其中高可能成词 | |

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,返回位置域名 | |

|解析 货币金额 |extract_money|解析货币金额字符串 |⭐ |

|抽取微信号 |extract_wechat_id| 抽取微信号,返回位置 | |

|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 |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 {}「」[]【】()()<>《》 |⭐ |

|抽取车牌号 |extract_motor_vehicle_licence_plate|抽取大陆车牌号信息 | |

|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 | |

|删除冗余字符 |remove_redundant_char|删除文本中冗余重复字符 | |

|归一化 E-mail |replace_email|归一化文本中的 E-mail 信息为<email> | |

|归一化 URL |replace_url |归一化文本中的 URL 信息为<url> | |

|归一化 电话号码 |replace_phone_number|归一化文本中的电话号码为<tel> | |

|归一化 IP地址|replace_ip_address|归一化文本中的 IP 地址为<ip> | |

|归一化 身份证号 |replace_id_card|归一化文本中的身份证信息为<id> | |

|归一化 QQ |replace_qq|归一化文本中的 qq 号为<qq> | |

|判断文本是否包含中文字符 | check_any_chinese_char | 检查文本中是否包含中文字符,若至少包含一个,则返回 True | |

|判断文本是否全部是中文字符 | check_all_chinese_char | 检查文本中是否全部是中文字符,若全部都是,则返回 True | |

|判断文本是否包含阿拉伯数字 | check_any_arabic_num | 检查文本中是否包含阿拉伯数字,若至少包含一个,则返回 True | |

|判断文本是否全部是阿拉伯数字 | check_all_arabic_num | 检查文本中是否全部是阿拉伯数字,若全部都是,则返回 True | |

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 |

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

|大语言模型 LLM 评测数据集|jio.llm_test_dataset_loader | LLM 评测数据集 |⭐|

|Byte-level BPE | jio.bpe.byte_level_bpe |Byte-level-BPE 算法|⭐|

|停用词词典 | jio.stopwords_loader() | 综合了百度、jieba、讯飞等的停用词词典 | |

|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 |chinese_char_dictionary_loader|加载新华字典 | |

|新华 |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 | |

| token 转 token |char2word|将字符级别 token 转换为词汇级别 token | |

| token 转 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 | |

|分词数据矫正-标准词典 |cws.CWSDCWithStandardWords |使用标准词典对分词标注数据进行矫正和修复 | |

文献引用

  • 若论文需要进行引用,可复制以下引用:

Chengyu Cui, JioNLP, (2020), GitHub repository, https://github.com/dongrixinyu/JioNLP

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。

  • 非常欢迎各位 NLP 开发者和研究者 合作完善本工具包,添加新功能

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 (●'◡'●),开源项目完全用爱发电,谢谢啦!推荐优先使用【支付宝】 ~~

  • 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

<a alt="jionlp logo">

    <img src="../../blob/master/image/payment_code.jpg" style="width:500px;height:380px">

</a>

做 NLP不易,欢迎加入自然语言处理 Wechat 交流群

请扫以下码,或wx搜索公众号JioNLP”,关注并回复【进群】

<a alt="jionlp logo">

    <img src="../../blob/master/image/qrcode_for_gh.jpg" style="width:200px;height:200px">

</a>

Project details


Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distributions

No source distribution files available for this release.See tutorial on generating distribution archives.

Built Distribution

jionlp-1.5.5-py2.py3-none-any.whl (19.1 MB view hashes)

Uploaded Python 2 Python 3

Supported by

AWS AWS Cloud computing and Security Sponsor Datadog Datadog Monitoring Fastly Fastly CDN Google Google Download Analytics Microsoft Microsoft PSF Sponsor Pingdom Pingdom Monitoring Sentry Sentry Error logging StatusPage StatusPage Status page