HanLP分词+用户自定义词典

前面谈到分词：
HanLP安装与使用-python版和java版
pynlpir中文分词+加载用户自定义词典

我比较喜欢用HanLP，它的粒度刚刚好。 pynlpir太细了，词全切开了。

1. 分词重要性

分错了可不好搞。

2. 词典说明

用户自定义词典 第8点。 - 1.x

2.1 CustomDictionary

• CustomDictionary 是一份全局的用户自定义词典，可以随时增删，影响全部分词器。
• 另外可以在任何分词器中关闭它。通过代码动态增删不会保存到词典文件。
• 中文分词≠词典，词典无法解决中文分词，Segment提供高低优先级应对不同场景，可参考 为什么修改了词典还是没有效果？ - FAQ
• 代码动态添加词典方法：demo_custom_dictionary.py - github

2.2 追加词典

• CustomDictionary主词典文本路径是data/dictionary/custom/CustomDictionary.txt，用户可以在此增加自己的词语（不推荐）
  我的文件位置是C:\Users\ASUS\Anaconda3\Lib\site-packages\pyhanlp\static\data\dictionary\custom，如图：
  
• 也可以单独新建一个文本文件，通过配置文件CustomDictionaryPath=data/dictionary/custom/CustomDictionary.txt; 我的词典.txt;来追加词典（推荐）。
• 始终建议将相同词性的词语放到同一个词典文件里，便于维护和分享。

2.3 词典格式

• 每一行代表一个单词，格式遵从[单词] [词性A] [A的频次] [词性B] [B的频次] ...如果不填词性则表示采用词典的默认词性。
• 词典的默认词性默认是名词n，可以通过配置文件修改：全国地名大全.txt ns; 如果词典路径后面空格紧接着词性，则该词典默认是该词性。
• 在统计分词中，并不保证自定义词典中的词一定被切分出来。用户可在理解后果的情况下通过Segment#enableCustomDictionaryForcing强制生效。
• 关于用户词典的更多信息请参考词典说明一章。 词典说明 - 词典说明

字典样例：

万死 a 2 v 1
三冬 n 1
三天两头儿 nz 1
三星堆遗址 n 1
三键 a 1 n 1
上口字 n 1

所有词典统一使用UTF-8编码

2.4 添加词典

参考：hanlp用户自定义词典添加

1. 打开C:\Users\ASUS\Anaconda3\Lib\site-packages\pyhanlp\static\hanlp.properties 文件，找到第20~21行：

   #另外data/dictionary/custom/CustomDictionary.txt是个高质量的词库，请不要删除。所有词典统一使用UTF-8编码。
   CustomDictionaryPath=data/dictionary/custom/CustomDictionary.txt; 现代汉语补充词库.txt; 全国地名大全.txt ns; 人名词典.txt; 机构名词典.txt; 上海地名.txt ns;data/dictionary/person/nrf.txt nrf;
   

   并添加字典。如下：

   CustomDictionaryPath=data/dictionary/custom/CustomDictionary.txt; my_dict.txt; 现代汉语补充词库.txt; 全国地名大全.txt ns; 人名词典.txt; 机构名词典.txt; 上海地名.txt ns;data/dictionary/person/nrf.txt nrf;
   

2. 在C:\Users\ASUS\Anaconda3\Lib\site-packages\pyhanlp\static\data\dictionary\custom目录下，添加文件my_dict.txt。

3. 输入如下：保存。

   疏水性 a 10
   

3. 实验

3.1 未添加词典

代码：

def pyhanlpSplit():
    sent = '分别以疏水性氨基酸色氨酸、苯丙氨酸、缬氨酸、丙氨酸、亮氨酸和异亮氨酸来替换X位置。'
    from pyhanlp import HanLP
    res = HanLP.segment(sent)
    print(res)

结果：

[分别/d, 以/p, 疏水/nz, 性/ng, 氨基酸/n, 色氨酸/nmc, 、/w, 苯丙氨酸/nmc, 、/w, 缬氨酸/nmc, 、/w, 丙氨酸/nmc, 、/w, 亮氨酸/gb, 和/cc, 异亮氨酸/nmc, 来/vf,  替换/v, X/nx, 位置/n, 。/w]

我们想将 “疏水性” 作为一个词语来切分。

3.2 加入词典后

添加过程可参考 2.4 添加词典。
结果如下：

[分别/d, 以/p, 疏水性/a, 氨基酸/n, 色氨酸/nmc, 、/w, 苯丙氨酸/nmc, 、/w, 缬氨酸/nmc, 、/w, 丙氨酸/nmc, 、/w, 亮氨酸/gb, 和/cc, 异亮氨酸/nmc, 来/vf, 替换/v, X/nx, 位置/n, 。/w]

可以看到，“疏水性”作为一个词语，成功。

4 其他深入实验

4.1 自定义词性

如果词性为词典没有出现过的词性呢？会正确识别吗？
会。

1. 例如，词典：

   疏水性 ph 10
   

   结果：

   [分别/d, 以/p, 疏水性/ph, 氨基酸/n, 色氨酸/nmc, 、/w, 苯丙氨酸/nmc, 、/w, 缬氨酸/nmc, 、/w, 丙氨酸/nmc, 、/w, 亮氨酸/gb, 和/cc, 异亮氨酸/nmc, 来/vf, 替换/v, X/nx, 位置/n, 。/w]
   

2. 再如：

   疏水性 entityph 10
   

   结果：

   [分别/d, 以/p, 疏水性/entityph, 氨基酸/n, 色氨酸/nmc, 、/w, 苯丙氨酸/nmc, 、/w, 缬氨酸/nmc, 、/w, 丙氨酸/nmc, 、/w, 亮氨酸/gb, 和/cc, 异亮氨酸/nmc, 来/vf, 替换/v, X/nx, 位置/n, 。/w]
   

很棒。

4.2 删除词典

在3.2基础完成后，我将词典文件删除，发现结果并未变化，还是将“疏水性”作为一个词语。
笔者猜想，hanlp已经将词典内容写入到C:\Users\ASUS\Anaconda3\Lib\site-packages\pyhanlp\static\data\dictionary\custom\CustomDictionary.txt.bin中了。

4.3 删除词典和bin

为了证实猜想，笔者同时将CustomDictionary.txt.bin和my_dict.txt删除，再次运行代码。
此时运行结果为：

一月 14, 2020 1:27:41 下午 com.hankcs.hanlp.dictionary.CustomDictionary load
严重: 自定义词典c:/users/asus/anaconda3/lib/site-packages/pyhanlp/static/data/dictionary/custom/my_dict.txt读取错误！java.io.FileNotFoundException: c:\users\asus\anaconda3\lib\site-packages\pyhanlp\static\data\dictionary\custom\my_dict.txt (系统找不到指定的文件。)
一月 14, 2020 1:27:41 下午 com.hankcs.hanlp.dictionary.CustomDictionary loadMainDictionary
警告: 失败：c:/users/asus/anaconda3/lib/site-packages/pyhanlp/static/data/dictionary/custom/my_dict.txt
[分别/d, 以/p, 疏水/nz, 性/ng, 氨基酸/n, 色氨酸/nmc, 、/w, 苯丙氨酸/nmc, 、/w, 缬氨酸/nmc, 、/w, 丙氨酸/nmc, 、/w, 亮氨酸/gb, 和/cc, 异亮氨酸/nmc, 来/vf,  
替换/v, X/nx, 位置/n, 。/w]

疏水、性 又分为了两个词。并且又产生了CustomDictionary.txt.bin文件，由此说明笔者猜想正确。

运行过程：
先加载词典文件，产生bin文件（只加不减）。
再通过bin文件和切词原理进行切词。

完成，完美，鼓掌。

b站讲解：https://www.bilibili.com/video/av83440716/