Gem 写了一个中文分词的 gem——nlpir

wujian_hit · 2013年07月29日 · 最后由 Martin91 回复于 2014年05月13日 · 12165 次阅读

nlpir gem 封装自中科院中文分词 ICTCLAS2014

ICTCLAS 是由中国科学院计算技术研究所研发。功能包括中文分词;词性标注;命名实体识别;新词识别;同时支持用户词典。目前性能最好的中文分词工具。

nlpir 使用 ruby2.0 fiddle 模块封装,最新版本 1.0.0 封装自 ICTCLAS2014 最新版本,完美支持 linux x86 x64,之前反应的用户词典 bug 已经修复。新版的 gem 提供了 ruby 风格的函数。

gem install nlpir

usage:


require 'nlpir'
include Nlpir

s="坚定不移沿着中国特色社会主义道路前进  为全面建成小康社会而奋斗"

#在当前文件夹路径下初始化
nlpir_init(File.expand_path("../", __FILE__),UTF8_CODE)

#处理字符串
text_proc(s) 

#处理文件
file_proc("example.txt","result.txt") 

#导入用户词典
import_userdict("./userdict.txt")
text_proc(s)

nlpir_exit()

欢迎各位继续丰富 ruby 在自然语言处理领域的包

用法test 中的用法 [email protected] nlpir@github


有人问性能,官方文档里其实有测试数据,ICTCLAS 测试:

赞一个。学长哪个实验室的?

#2 楼 @wujian_hit 。。。我是学长,学弟加油

例子挺有内涵的😄

看了一下 README 上面的使用方法,好复杂啊,不能简单一点么,另外

NLPIR_AddUserWord
NLPIR_ParagraphProcess
NLPIR_ImportUserDict
...

这里方法命名一点也不 Ruby,用起来很奇怪

#7 楼 @huacnlee 取名这样是为了和官方文档的介绍保持一致。

#6 楼 @kamiiyu 嘿嘿。低调低调

厉害!赞一个

哇,现在 ICTCLAS 竟然可以在非 windows 用了...

是不是还是和 mecab 用中文训练的结果差不多?

#12 楼 @luikore ICTCLAS2013 ,pure c 编译的.so

#7 楼 @huacnlee 先 init 一下,然后 call method u want,最后 exit 一下释放资源。原本也想直接把这个封装进函数,但是考虑到可能会丧失灵活性和降低性能,最后还是决定让大家调用的时候自己初始化和释放比较好。也很无奈啊~c就是这样子。。

ICTCLAS2013 这个分词还是蛮好的。不知道效率如何

#15 楼 @u1371780084 分词速度单机 996KB/s,分词精度 98.45%,

内存使用情况呢?

#17 楼 @u1371780084 帖子更新了,您关心的性能问题,可以看一下。

#6 楼 @kamiiyu 什么内涵?没看不来。请指教。

赞一个,准备试用一下。

进去就看到这个例子, require 'nlpir' include Nlpir

s = "坚定不移沿着中国特色社会主义道路前进 为全面建成小康社会而奋斗"

#22 楼 @u1360749170 四野之内,六合之间,必是我党笑傲江湖~ 😄

现在能支持 brew 的安装模式吗

#26 楼 @staticor 我没有 mac 机,不过 brew 应该和 ubuntu 的 apt-get 是一种类型的工具,用于安装软件。这个只是一个 gem。。。gem install 就 ok.

我就是不喜欢 HHMM,不要问我为什么。

#11 楼 @luikore 很久很久以前就可以了。只不过只能运行在 Java 平台上

https://code.google.com/p/ictclas4j/

可以用在 tire 和 elasticsearch 哇?

赞一个,写得蛮好的

#30 楼 @boostbob 请教一下 elasticsearch 需要分词模块完成一些特定的接口标准吗?

#32 楼 @wujian_hit 一般会继承org.apache.lucene.analysis.Tokenizer这个抽象类写一个 Tokenizer,然后写一个类继承org.elasticsearch.index.analysis.AbstractTokenizerFactory,做个工厂类,这个可以通过 elasticsearch 的 index 配置,传入一些特定参数,然后传给你的 Tokenizer,再写一个类继承AnalysisModule.AnalysisBinderProcessor用来在 elasticsearch 启动时,注册你的 TokenizerFactory。 这是基本流程。。。伟大的爪哇

这个能够识别一些到品牌关键字吗?如汽车品牌:宝来,腾翼。我到官网试了一下好像不行

#34 楼 @whh 识别这些词汇这个需要专门的行业词库。

/home/changwu/.rvm/gems/ruby-2.0.0-p0/gems/nlpir-0.0.3-x86-linux/lib/nlpir.rb:177:in to_s': NULL pointer given (ArgumentError) from /home/changwu/.rvm/gems/ruby-2.0.0-p0/gems/nlpir-0.0.3-x86-linux/lib/nlpir.rb:177:inNLPIR_ParagraphProcess' from split_words.rb:11:in `

' 遇到这样的错误,不知道是怎么回事? #35 楼 @wujian_hit

代码如下:

#encoding : utf-8
require 'nlpir'
include Nlpir

s = "坚定不移沿着中国特色社会主义道路前进  为全面建成小康社会而奋斗"
 #first of all : Call the NLPIR API NLPIR_Init

NLPIR_Init(nil, UTF8_CODE , File.expand_path("../", __FILE__))

#example1:   Process a paragraph, and return the result text with POS or not
puts puts NLPIR_ParagraphProcess("1989年春夏之交的政治风波1989年政治风波24小时降
雪量24小时降雨量863计划ABC防护训练APEC会议BB机BP机C2系统C3I系统C3系统C4ISR系统C4I系统CCITT建议")

@wujian_hit when I tried to install with my Ruby 2,0 got below error: any suggestion on this? Could not find nlpir-0.0.3 in any of the sources

#36 楼 @changwu 你好,这是因为包的授权期限到了。已经 push 了最新的 gem-x86-linux-0.1.0.

#37 楼 @bao1018 it just support x86 platform windows and linux , the reason is NLPIR2013 for x64 has much serious bugs ...... But a good news is the official team of NLPIR will release the perfect version-2014 at 2014.Dec... and I will release the no-bug gem in time. thank you support.

#36 楼 @changwu 网络原因 push 不上去。。。。请稍等。

这个 gem 还不能支持 x64 系统吗?mac 下安装出现:

gem install nlpir
ERROR:  Could not find a valid gem 'nlpir' (>= 0), here is why:
          Found nlpir (1.0.0), but was for platforms x86_64-linux ,x86-linux ,x86-mingw32

欲哭无泪,最近毕设可能需要处理分词。

#41 楼 @Martin91 支持 64 位 linux 和 windows,不支持 mac,原因是官方没有在 mac 上编译成*.dylib

#42 楼 @wujian_hit 嗯嗯,感谢回答

ouyang Ruby 的机器学习项目 提及了此话题。 12月08日 19:41
wujian_hit 中文分词 gem——nlpir for win 已发布 提及了此话题。 04月03日 10:57
需要 登录 后方可回复, 如果你还没有账号请 注册新账号