【NLP】pyltp工具介绍、安装和使用pyltp
文章目录
1. 介绍
- 什么是pyltp
pyltp 是LTP的 Python 封装，提供了分词，词性标注，命名实体识别，依存句法分析，语义角色标注的功能。 - 安装 pyltp
官方安装是直接使用pip install pyltp命令安装。 - 使用 pyltp
使用前请先下载完整模型：下载、ltp简介 - 注意编码：
- pyltp 的所有输入的分析文本和输出的结果的编码均为 UTF-8。
- 如果您以非 UTF-8 编码的文本输入进行分析，结果可能为空。请注意源代码文件的默认编码。
- 由于 Windows 终端采用 GBK 编码显示，直接输出 pyltp 的分析结果会在终端显示为乱码。您可以将标准输出重定向到文件，以 UTF8 方式查看文件，就可以解决显示乱码的问题。
2. 使用
2.1 分句
from pyltp import SentenceSplitter
sents = SentenceSplitter.split('元芳你怎么看？我就趴在窗口上看呗！元芳你怎么这样子了？我哪样子了？')
sents = '\n'.join(sents) #不经过此处处理直接输出会报错 原因是没有给出输出的格式 当然 sents = '|'.join(sents)是用“|”分割的
print(sents)
结果：
元芳你怎么看？
我就趴在窗口上看呗！
元芳你怎么这样子了？
我哪样子了？
2.2 分词
1）普通分词
import os
from pyltp import Segmentor
LTP_DATA_DIR = r'./ltp_data' # LTP模型目录路径
cws_model_path = os.path.join(LTP_DATA_DIR, 'cws.model') # 分词模型路径， 模型名称为'cws.model'
segmentor = Segmentor() #初始化实例
segmentor.load(cws_model_path) #加载模型
words =segmentor.segment('元芳你怎么看') #分词 返回类型值是native的VectorOfString类型，可以使用list转换为Python列表
print(type(words)) #分词类型
words = '|'.join(words)
print(type(words))
print(words)
segmentor.release() #释放模型
结果：
<class 'pyltp.VectorOfString'>
<class 'str'>
元芳|你|怎么|看
2）使用外部词典
首先，建立一个外部的词典文件：plain.txt
苯并芘
亚硝酸盐
代码：
import os
from pyltp import Segmentor
LTP_DATA_DIR = r'C:\Users\22843\AppData\Local\Programs\Python\Python36\Lib\site-packages\pyltp-0.2.1.dist-info\ltp_data' # LTP模型目录路径
cws_model_path = os.path.join(LTP_DATA_DIR, 'cws.model') # 分词模型路径， 模型名称为'cws.model'
segmentor = Segmentor() #初始化实例
segmentor.load_with_lexicon(cws_model_path,'plain.txt') #加载模型
words =segmentor.segment('亚硝酸盐是一种化学物质') #分词 返回类型值是native的VectorOfString类型，可以使用list转换为Python列表
print(type(words)) #分词类型
words = '|'.join(words)
print(type(words))
print(words)
segmentor.release() #释放模型
结果：
<class 'pyltp.VectorOfString'>
<class 'str'>
亚硝酸盐|是|一|种|化学|物质
[INFO] 2020-11-20 00:52:40 loaded 2 lexicon entries
2.3 词性标注
import os
from pyltp import Postagger
LTP_DATA_DIR = r'C:\Users\22843\AppData\Local\Programs\Python\Python36\Lib\site-packages\pyltp-0.2.1.dist-info\ltp_data' # LTP模型目录路径
pos_model_path = os.path.join(LTP_DATA_DIR, 'pos.model') # 分词模型路径， 模型名称为'cws.model'
postagger = Postagger() #初始化实例
postagger.load(pos_model_path) #加载模型
words = ['元芳','你','怎么','看'] #words是分词模块的返回值，也支持Python原来的list
postags = postagger.postag(words) #词性标注
postags = '|'.join(postags)
print(postags)
postagger.release() #释放模型
结果：
nh|r|r|v
LTP 使用 863 词性标注集，如下图所示：
2.4 命名实体识别
import os
from pyltp import NamedEntityRecognizer
LTP_DATA_DIR = r'C:\Users\22843\AppData\Local\Programs\Python\Python36\Lib\site-packages\pyltp-0.2.1.dist-info\ltp_data' # LTP模型目录路径
ner_model_path = os.path.join(LTP_DATA_DIR, 'ner.model') # 分词模型路径， 模型名称为'cws.model'
recognizer = NamedEntityRecognizer() #初始化shili
recognizer.load(ner_model_path) #加载模型
words = ['元芳', '你', '怎么', '看'] # 分词模块的返回值
postags = ['nh', 'r', 'r', 'v'] # 词性标注的返回值
netags = recognizer.recognize(words,postags) #命名实体识别
print(netags)
print(list(netags))
recognizer.release() #模型释放
结果：
<pyltp.VectorOfString object at 0x0000025FCEDAA450>
['S-Nh', 'O', 'O', 'O']
LTP 采用 BIESO 标注体系。
- B 表示实体开始词，I表示实体中间词，E表示实体结束词，S表示单独成实体，O表示不构成命名实体。
LTP 提供的命名实体类型为:人名（Nh）、地名（Ns）、机构名（Ni）。
-
B、I、E、S位置标签和实体类型标签之间用一个横线 - 相连；O标签后没有类型标签。
-
NE识别模块的标注结果采用O-S-B-I-E标注形式，其含义为：
2.5 依存句法分析
import os
from pyltp import Parser
LTP_DATA_DIR = r'C:\Users\22843\AppData\Local\Programs\Python\Python36\Lib\site-packages\pyltp-0.2.1.dist-info\ltp_data' # LTP模型目录路径
par_model_path = os.path.join(LTP_DATA_DIR, 'parser.model') # 分词模型路径， 模型名称为'cws.model'
parser = Parser() #初始化实例
parser.load(par_model_path) #加载模型
words = ['元芳', '你', '怎么', '看'] # 分词模块的返回值
postags = ['nh', 'r', 'r', 'v'] # 词性标注的返回值
arcs = parser.parse(words,postags) #句法分析
arcs = '\t'.join('%d:%s'%(arc.head,arc.relation) for arc in arcs)
#arc.head表示依存弧的父节点词的索引。ROOT节点的索引是0，第一个词开始的索引依次为1，2，3...
#arc.relation表示依存弧的关系
print(arcs)
parser.release() #模型释放
结果：
4:SBV 4:SBV 4:ADV 0:HED
- 依存句法关系：
2.6 词义角色标注
import os
LTP_DATA_DIR='D:\Data\ltp_data_v3.4.0' # ltp模型目录的路径
srl_model_path = os.path.join(LTP_DATA_DIR, 'pisrl_win.model') # 语义角色标注模型目录路径，模型目录为`srl`。注意该模型路径是一个目录，而不是一个文件。
from pyltp import SementicRoleLabeller
labeller = SementicRoleLabeller() # 初始化实例
labeller.load(srl_model_path) # 加载模型
words = ['元芳', '你', '怎么', '看']
postags = ['nh', 'r', 'r', 'v']
# arcs 使用依存句法分析的结果
roles = labeller.label(words, postags, arcs) # 语义角色标注
# 打印结果
for role in roles:
print(role.index, "".join(
["%s:(%d,%d)" % (arg.name, arg.range.start, arg.range.end) for arg in role.arguments]))
labeller.release() # 释放模型
结果：
[dynet] random seed: 1676210130
[dynet] allocating memory: 2000MB
[dynet] memory allocation done.
3 A0:(1,1)ADV:(2,2)
- 词义角色关系
2.7 完整示例
import os, sys
from pyltp import SentenceSplitter, Segmentor, Postagger, Parser, NamedEntityRecognizer, SementicRoleLabeller
LTP_DATA_DIR = r'C:\Users\22843\AppData\Local\Programs\Python\Python36\Lib\site-packages\pyltp-0.2.1.dist-info\ltp_data' # LTP模型目录路径
cws_model_path = os.path.join(LTP_DATA_DIR, 'cws.model') # 分词模型路径， 模型名称为'cws.model'
paragraph = '中国进出口银行与中国银行加强合作。中国进出口银行与中国银行加强合作！'
sentence = SentenceSplitter.split(paragraph)[0] # 分句并取第一句
# 分词
segmentor = Segmentor() # 初始化
segmentor.load(os.path.join(LTP_DATA_DIR, 'cws.model')) # 加载模型
words = segmentor.segment(sentence) # 分词
print(list(words))
print('|'.join(words))
# 词性标注
postagger = Postagger() # 初始化
postagger.load(os.path.join(LTP_DATA_DIR, 'pos.model')) # 加载模型
postags = postagger.postag(words)
# postags = postagger.postag(['中国', '进出口', '银行', '与', '中国银行', '加强', '合作', '。'])
print(list(postags))
# 依存句法分析
parser = Parser()
parser.load(os.path.join(LTP_DATA_DIR, 'parser.model'))
arcs = parser.parse(words, postags)
print('\t'.join('%d:%s' % (arc.head, arc.relation) for arc in arcs))
# 命名实体识别
recognizer = NamedEntityRecognizer() # 实例化
recognizer.load(os.path.join(LTP_DATA_DIR, 'ner.model'))
netags = recognizer.recognize(words, postags)
print(list(netags))
# 语义角色标注
labeller = SementicRoleLabeller()
labeller.load(os.path.join(LTP_DATA_DIR, 'pisrl_win.model'))
roles = labeller.label(words, postags, arcs)
for role in roles:
print(role.index, "".join(
["%s:(%d,%d)" % (arg.name, arg.range.start, arg.range.end) for arg in role.arguments]))
segmentor.release() # 释放
postagger.release()
parser.release()
recognizer.release()
labeller.release()
运行结果：
['中国', '进出口', '银行', '与', '中国银行', '加强', '合作', '。']
中国|进出口|银行|与|中国银行|加强|合作|。
['ns', 'v', 'n', 'p', 'ni', 'v', 'v', 'wp']
3:ATT 3:ATT 6:SBV 6:ADV 4:POB 0:HED 6:VOB 6:WP
[dynet] random seed: 921284091
[dynet] allocating memory: 2000MB
['B-Ni', 'I-Ni', 'E-Ni', 'O', 'S-Ni', 'O', 'O', 'O']
[dynet] memory allocation done.
SRL: Model not loaded!
3. 参考
【1】https://blog.csdn.net/m0_43425029/article/details/109831743
【2】https://blog.csdn.net/weixin_33978016/article/details/94669702
1256
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
