AllenNLP源码拓展——中文分词2

AllenNLP中常使用spacy对英文进行分词,但是spacy不能对中文分词。因此我想尝试加一个中文分词的word_splitter。前不久加了一个THUNLPSplitter,今天把jieba也加进去。

测试代码:(pos_tags指是否标注词性,only_tokens指最终是否只保留字符,去掉词性等属性,user_dict指用户自定义词典,是一个UTF-8的txt文件路径,一行是一个词)

    from allennlp.data.tokenizers.word_splitter import JIEBASplitter 
    from allennlp.data.tokenizers.token import show_token  

    splitter = JIEBASplitter(pos_tags=False) 
    print(splitter.split_words("武汉市长江大桥"))  

    splitter2 = JIEBASplitter(pos_tags=True, only_tokens=False) 
    tokens = splitter2.split_words("武汉市长江大桥") 
    for token in tokens:     
        print(show_token(token))  

    splitter3 = JIEBASplitter(pos_tags=False, user_dict='F:\\test\\userdict.txt') 
    print(splitter3.split_words("中美合拍,文体两开花。皮皮虾我们走"))

结果如下:
在这里插入图片描述
用户词典是一个UTF-8的txt文件,一行有一个自定义的词。
在这里插入图片描述

完整代码如下:

import jieba.posseg as poss
import jieba
@WordSplitter.register('jieba')
class JIEBASplitter(WordSplitter):
    """
    A ``WordSplitter`` that uses JIEBA's tokenizer. To Split Chinese sentences.
    user_dict:a txt file, one word in a line.
    """
    def __init__(self,pos_tags: bool = False,
                 only_tokens: bool = True,
                 user_dict: str = None) -> None:
        self._pos_tags = pos_tags

        if user_dict and os.path.exists(user_dict):
            jieba.load_userdict(user_dict)
        self._only_tokens = only_tokens

    def _sanitize(self, tokens) -> List[Token]:
        """
        Converts spaCy tokens to allennlp tokens. Is a no-op if
        keep_spacy_tokens is True
        """
        sanitize_tokens = []
        if self._pos_tags:
            for text, pos in tokens:
                token = Token(text)
                if self._only_tokens:
                    pass
                else:
                    token = Token(token.text,
                                token.idx,
                                token.lemma_,
                                pos,
                                token.tag_,
                                token.dep_,
                                token.ent_type_)
                sanitize_tokens.append(token)
        else:
            for token in tokens:
                token = Token(token)
                sanitize_tokens.append(token)
        return sanitize_tokens

    @overrides
    def batch_split_words(self, sentences: List[str]) -> List[List[Token]]:
        split_words = []
        if self._pos_tags:
            for sent in sentences:
                split_words.append(self._sanitize(tokens) for tokens in poss.cut(sent))
        else:
            for sent in sentences:
                split_words.append(self._sanitize(tokens) for tokens in jieba.cut(sent))
        return split_words

    @overrides
    def split_words(self, sentence: str) -> List[Token]:
        if self._pos_tags:
            return self._sanitize(poss.cut(sentence))
        else:
            return self._sanitize(jieba.cut(sentence))

过几天试着用这个测试一下中文分类

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值