一.简介
在做FASPell复现时候需要多搜集一些训练语料。我把目光转向了SIGHAN举行的CSC比赛当中,其中SIGHAN14和SIGHAN15提供了共5000条训练语句,而且他们的格式一样,使用了相同的SGML语言来标记。
二.提醒
网上较多的是使用sgmllib包中的SGMLParser来进行SGML文件的解析,但由于sgmillib只在Python2中可用,且sgmllib包的下载也成问题,因此最后选择使用HTMLParser。
三.HTMLParser使用
HtmlParser是一个类,在使用时一般继承它然后重载它的方法,来达到解析所需数据的目的。
1.常用属性
lasttag,保存上一个解析的标签名,是字符串。
2.常用方法
handle_starttag(tag, attrs) ,处理开始标签,比如<div>这里的attrs获取到的是属性列表,属性以元组的方式展示handle_endtag(tag) ,处理结束标签,比如</div>。
handle_startendtag(tag, attrs) ,处理自己结束的标签,如<img />。
handle_data(data) ,处理数据,标签之间的文本。
handle_comment(data) ,处理注释,<!-- -->之间的文本。
3.基本使用
官方代码示例
from html.parser import HTMLParser
class MyHTMLParser(HTMLParser):
def handle_starttag(self, tag, attrs):
print("Encountered a start tag:", tag)
def handle_endtag(self, tag):
print("Encountered an end tag :", tag)
def handle_data(self, data):
print("Encountered some data :", data)
parser = MyHTMLParser()
parser.feed('<html><head><title>Test</title></head>'
'<body><h1>Parse me!</h1></body></html>')
输出为
Encountered a start tag: html
Encountered a start tag: head
Encountered a start tag: title
Encountered some data : Test
Encountered an end tag : title
Encountered an end tag : head
Encountered a start tag: body
Encountered a start tag: h1
Encountered some data : Parse me!
Encountered an end tag : h1
Encountered an end tag : body
Encountered an end tag : html
4.实用案例
以下的实用案例均在上面的代码中修改对应函数,每个实例都是单独的。
解析的sgml文件如下:
<ESSAY title="给卫生局的信-有机蔬菜的食品安全">
<TEXT>
<PASSAGE id="B2-1443-1">我希望以他们的安全保証书来解决这个问题。不能提出安全保証书的话,应该停止营业。</PASSAGE>
</TEXT>
<MISTAKE id="B2-1443-1" location="11">
<WRONG>保証书</WRONG>
<CORRECTION>保证书</CORRECTION>
</MISTAKE>
</ESSAY>
1.获取属性的函数,是个静态函数,新增的。直接定义在类中,返回属性名对应的属性
def _attr(attrlist, attrname):
for attr in attrlist:
if attr[0] == attrname:
return attr[1]
return None
2. 获取所有WRONG标签的文本,最简单方法只修改handle_data
def handle_data(self, data):
# 此处标签不区分大小写,统一用小写字母即可,大写字母会报错
if self.lasttag == 'wrong':
print("Encountered WRONG data :", data)
3. 获取PASSAGE编号(id)为B2-1443-1的PASSAGE标签的文本。使用了案例1,增加一个实例属性作为标志,选取需要的标签
def __init__(self):
HTMLParser.__init__(self)
self.flag = False
def handle_starttag(self, tag, attrs):
if tag == 'passage' and _attr(attrs, 'id') == 'B2-1443-1':
self.flag = True
def handle_data(self, data):
if self.flag == True:
print("Encountered PASSAGE OF B2-1443-1 data :", data)
4. 获取MISTAKE标签的属性列表
def handle_starttag(self, tag, attrs):
if tag == 'mistake':
print("Encountered MISTAKE attrs :", attrs)
5. 获取PASSAGE标签的id属性
def handle_starttag(self, tag, attrs):
if tag == 'passage' and _attr(attrs, 'id'):
print("Encountered p class :", _attr(attrs, 'id'))
6. 获取TEXT标签下的PASSAGE标签的文本
def __init__(self):
HTMLParser.__init__(self)
self.in_text = False
def handle_starttag(self, tag, attrs):
if tag == 'text':
self.in_text = True
def handle_data(self, data):
if self.in_text == True and self.lasttag == 'passage':
print("Encountered PASSAGE data :", data)
四.完整代码
这是用来处理SIGHAN15中SGML数据的完整代码,主要是解析SGML文件将他们转化成FASPell中使用的训练数据格式。
待处理sgml文件格式
"""
<ESSAY title="给卫生局的信-有机蔬菜的食品安全">
<TEXT>
<PASSAGE id="B2-1443-1">我希望以他们的安全保証书来解决这个问题。不能提出安全保证书的话,应该停止营业。</PASSAGE>
</TEXT>
<MISTAKE id="B2-1443-1" location="11">
<WRONG>保証书</WRONG>
<CORRECTION>保证书</CORRECTION>
</MISTAKE>
</ESSAY>
"""
目标格式
num wrong_string correct_string
1 我希望以他们的安全保証书来解决这个问题。不能提出安全保证书的话,应该停止营业。 我希望以他们的安全保证书来解决这个问题。不能提出安全保证书的话,应该停止营业。
代码块
from html.parser import HTMLParser
import re
def attr(attrlist, attrname):
for attr in attrlist:
if attr[0] == attrname:
return attr[1]
return None
class MyHTMLParser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.in_text = False
self.in_mistake = False
self.passage = {}
self.wrong = {}
self.correction = {}
self.listid = []
self.id = ""
def handle_starttag(self, tag, attrs):
if tag == 'text':
self.in_text = True
if tag == 'passage' and attr(attrs, 'id'):
self.id = attr(attrs, 'id')
if self.passage.get(self.id) == None:
self.passage[self.id] = []
if tag == 'mistake':
self.in_mistake = True
if tag == 'mistake' and attr(attrs, 'id'):
self.id = attr(attrs, 'id')
if self.wrong.get(self.id) == None:
self.wrong[self.id] = []
if self.correction.get(self.id) == None:
self.correction[self.id] = []
def handle_data(self, data):
if self.in_text == True and self.lasttag == 'passage':
if len(str(data)) >= 2:
self.passage[self.id].append(data)
if self.in_mistake == True and self.lasttag == 'wrong':
if len(str(data)) >= 2 and str(data) not in self.wrong[self.id]:
self.wrong[self.id].append(data)
if self.in_mistake == True and self.lasttag == 'correction':
if len(str(data)) >= 2 and str(data) not in self.correction[self.id]:
self.correction[self.id].append(data)
print(self.correction)
def handle_endtag(self, tag):
if tag == 'text':
self.in_text = False
self.id = ""
if tag == 'mistake':
self.in_mistake = False
self.id = ""
def write_to_file(correction,wrong,passage):
with open('median_file.txt','a',encoding='utf-8') as file:
for k,v in passage.items():
origin_string = str(v[0])
wrong_list = []
correct_list = []
if k in wrong and k in correction:
wrong_list.extend(wrong[k])
correct_list.extend(correction[k])
count = len(wrong_list)
if count == 0:
continue
if count == len(correct_list):
tmp_string = origin_string
for i in range(count):
corr_string = re.sub(wrong_list[i],correct_list[i],tmp_string)
tmp_string = corr_string
num = 0
if len(corr_string) != len(origin_string):
continue
for i in range(len(corr_string)):
if corr_string[i] != origin_string[i]:
num += 1
file.write('{}t{}t{}n'.format(num,origin_string,corr_string))
if __name__ == "__main__":
files = open('sighan15.sgml','r', encoding='utf-8')
myhtmlparser = MyHTMLParser()
myhtmlparser.feed(files.read())
write_to_file(myhtmlparser.correction,myhtmlparser.wrong,myhtmlparser.passage)
五. 参考
1.Python爬虫常用之HtmlParser - Masako - 博客园
2.https://docs.python.org/3/library/html.parser.html