自然语言处理工具包HanLP的Python接口

  1. 云栖社区>
  2. 博客>
  3. 正文

自然语言处理工具包HanLP的Python接口

蓝天白芸朵 2018-10-18 13:53:30 浏览1652
展开阅读全文

pyhanlp: Python interfaces for HanLP
HanLP的Python接口,支持自动下载与升级HanLP,兼容py2、py3。

安装
pip install pyhanlp
使用命令hanlp来验证安装,如因网络等原因自动安装HanLP失败,可参考《手动配置》。

命令行
中文分词
使用命令hanlp segment进入交互分词模式,输入一个句子并回车,HanLP会输出分词结果:

$ hanlp segment
商品和服务
商品/n 和/cc 服务/vn
当下雨天地面积水分外严重
当/p 下雨天/n 地面/n 积水/n 分外/d 严重/a
龚学平等领导说,邓颖超生前杜绝超生
龚学平/nr 等/udeng 领导/n 说/v ,/w 邓颖超/nr 生前/t 杜绝/v 超生/vi
还可以重定向输入输出到文件等:

$ hanlp segment <<< '欢迎新老师生前来就餐'
欢迎/v 新/a 老/a 师生/n 前来/vi 就餐/vi
依存句法分析
命令为hanlp parse,同样支持交互模式和重定向:

$ hanlp parse <<< '徐先生还具体帮助他确定了把画雄鹰、松鼠和麻雀作为主攻目标。'
1 徐先生 徐先生 nh nr 4 主谓关系 _
2 还 还 d d 4 状中结构 _
3 具体 具体 a a 4 状中结构 _
4 帮助 帮助 v v 0 核心关系 _
5 他 他 r rr 4 兼语 _
6 确定 确定 v v 4 动宾关系 _
7 了 了 u ule 6 右附加关系 _
8 把 把 p pba 15 状中结构 _
9 画 画 v v 8 介宾关系 _
10 雄鹰 雄鹰 n n 9 动宾关系 _
11 、 、 wp w 12 标点符号 _
12 松鼠 松鼠 n n 10 并列关系 _
13 和 和 c cc 14 左附加关系 _
14 麻雀 麻雀 n n 10 并列关系 _
15 作为 作为 p p 6 动宾关系 _
16 主攻 主攻 v vn 17 定中关系 _
17 目标 目标 n n 15 动宾关系 _
18 。 。 wp w 4 标点符号 _
服务器
通过hanlp serve来启动内置的http服务器,默认本地访问地址为:http://localhost:8765 ;也可以访问官网演示页面:http://hanlp.hankcs.com/

升级
通过hanlp update命令来将HanLP升级到最新版。该命令会获取GitHub最新版本并自动下载安装。

欢迎通过hanlp --help查看最新帮助手册。

API
通过工具类HanLP调用常用接口:

from pyhanlp import *

print(HanLP.segment('你好,欢迎在Python中调用HanLP的API'))
testCases = [

"商品和服务",
"结婚的和尚未结婚的确实在干扰分词啊",
"买水果然后来世博园最后去世博会",
"中国的首都是北京",
"欢迎新老师生前来就餐",
"工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作",
"随着页游兴起到现在的页游繁盛,依赖于存档进行逻辑判断的设计减少了,但这块也不能完全忽略掉。"]

for sentence in testCases: print(HanLP.segment(sentence))

关键词提取

document = "水利部水资源司司长陈明忠9月29日在国务院新闻办举行的新闻发布会上透露," \

       "根据刚刚完成了水资源管理制度的考核,有部分省接近了红线的指标," \
       "有部分省超过红线的指标。对一些超过红线的地方,陈明忠表示,对一些取用水项目进行区域的限批," \
       "严格地进行水资源论证和取水许可的批准。"

print(HanLP.extractKeyword(document, 2))

自动摘要

print(HanLP.extractSummary(document, 3))

依存句法分析

print(HanLP.parseDependency("徐先生还具体帮助他确定了把画雄鹰、松鼠和麻雀作为主攻目标。"))
更多功能
更多功能,包括但不限于:

自定义词典
极速词典分词
索引分词
CRF分词
感知机词法分析
臺灣正體、香港繁體
关键词提取、自动摘要
文本分类、情感分析
请阅读HanLP主项目文档以了解更多。调用更底层的API需要参考Java语法用JClass引入更深的类路径。以感知机词法分析器为例,这个类位于包名com.hankcs.hanlp.model.perceptron.PerceptronLexicalAnalyzer下,所以先用JClass得到类,然后就可以调用了:

PerceptronLexicalAnalyzer = JClass('com.hankcs.hanlp.model.perceptron.PerceptronLexicalAnalyzer')
analyzer = PerceptronLexicalAnalyzer()
print(analyzer.analyze("上海华安工业(集团)公司董事长谭旭光和秘书胡花蕊来到美国纽约现代艺术博物馆参观"))
输出:

[上海/ns 华安/nz 工业/n (/w 集团/n )/w 公司/n]/nt 董事长/n 谭旭光/nr 和/c 秘书/n 胡花蕊/nr 来到/v [美国/ns 纽约/ns 现代/t 艺术/n 博物馆/n]/ns 参观/v
如果你经常使用某个类,欢迎将其写入pyhanlp/__init__.py中并提交pull request,谢谢!

与其他项目共享data
HanLP具备高度可自定义的特点,所有模型和词典都可以自由替换。如果你希望与别的项目共享同一套data,只需将该项目的配置文件hanlp.properties拷贝到pyhanlp的安装目录下即可。本机安装目录可以通过hanlp --version获取。

同时,还可以通过--config临时加载另一个配置文件:

hanlp segment --config path/to/another/hanlp.properties
配置
自动配置
默认在首次调用HanLP时自动下载jar包和数据包,并自动完成配置。

手动配置
如因网络等原因自动配置失败,可以通过设置环境变量来自定义HanLP版本和数据位置。

变量名 默认值 备注
HANLP_STATIC_ROOT pyhanlp所在安装路径的static文件夹 配置文件hanlp.properties所在的目录
HANLP_JAR_PATH pyhanlp所在安装路径的static文件夹 HanLP jar 包位置
HANLP_JVM_XMS 1g Java 虚拟机 初始申请内存大小
HANLP_JVM_XMX 1g Java 虚拟机 可占用的最大内存
HANLP_GOOGLE_UA UA-XXXXX-X Google Analytics 网站 id
HANLP_VERBOSE 0 调试日志开关
注意:

使用pip初次安装 pyhanlp 后,不设置上述变量,程序会自动下载所需依赖到默认位置。如果是设置了上述变量,则不进行下载。因为文件比较大,网络下载稳定性等原因,建议提前准备好jar包,配置文件和data,并使用环境变量进行配置。

保证 hanlp.properties 中的 root 是指向正确的data路径。

比如:

export HANLP_JAR_PATH=/hanlp/hanlp-portable-1.6.0.jar
export HANLP_STATIC_ROOT=/hanlp
就需要保证有如下的目录结构:

hanlp
├── data
│ ├── README.url
│ ├── dictionary
│ └── model
├── hanlp.properties
└── hanlp-portable-1.6.0.jar
测试
git clone https://github.com/hankcs/pyhanlp.git
cd pyhanlp
pip install -r requirements.txt # 安装依赖
export HANLP_JAR_PATH= # 配置环境变量
export HANLP_STATIC_ROOT= # 配置环境变量
python tests/test_hanlp.py # 执行测试
授权协议
Apache License 2.0

文章来源于hankcs的博客

网友评论

登录后评论
0/500
评论
蓝天白芸朵
+ 关注