【NLP】文本语种检测

langid

github源码：https://github.com/saffsd/langid.py

特点

• 支持97中语言
• 滤过速度快
• 准确率高
• 不支持中文繁体(香港)，中文繁体（台湾）

检测接口 classify rank

>>> import langid
# classify 输出最可能的语言
>>> langid.classify("I do not speak english")
('en', 0.57133487679900674)
>>> langid.set_languages(['de','fr','it'])
>>> langid.classify("I do not speak english")
('it', 0.99999835791478453)
>>> langid.set_languages(['en','it'])
>>> langid.classify("I do not speak english")
('en', 0.99176190378750373)

# rank 输出最可能的几种语言
>>> langid.rank("I do not speak english")
[('en', -49.99176190378750373), ('pl', -48.99176190378750373), ...)

fasttext

TODO

langdetect

Java包language-detection (03/03/2014版) 的Python接口
Github源码 https://github.com/Mimino666/langdetect

特点

• 支持55种语言
• 可识别 简体 繁体
• 个人测试 效率和准确率 不及langid

检测接口 detect detect_langs

# detect 输出最可能的语种

>>> from langdetect import detect
>>> detect("War doesn't show who's right, just who's left.")
'en'
>>> detect("Ein, zwei, drei, vier")
'de'

# detect_langs 输出最可能的几种语言
>>> from langdetect import detect_langs
>>> detect_langs("Otec matka syn.")
[sk:0.572770823327, pl:0.292872522702, cs:0.134356653968]

sklearn实现的语种检测

csdn看到的基于sklearn模型训练实现的语种检测， 未做测试
多语种检测