Python环境下NIPIR(ICTCLAS2014)中文分词系统使用攻略

一、安装

官方链接：http://pynlpir.readthedocs.org/en/latest/installation.html

官方网页中介绍了几种安装方法，大家根据个人需要，自行参考！我采用的是：

Install PyNLPIR using easy_install:

$ easy_install pynlpir

二、使用NLPIR进行分词

注：此处主要使用pynlpir.nlpir模块，该模块使用ctypes为NLPIR提供面向Python的接口,因此在调用NLPIR方法时，基本与调用其C接口是一样的。

     此处假设已导入模块：from pynlpir import nlpir

1）NLPIR初始化

    nlpir.Init(nlpir.PACKAGE_DIR,nlpir.UTF8_CODE,None) ，其中三个参数：

          nlpir.PACKAGE_DIR，Data目录父目录的绝对路径（即指明在何处可找到Data目录），也可自行指定

          nlpir.UTF8_CODE，分词所使用的编码方式（NLPIR提供UTF-8，GBK，BIG5，GBK-FANTI四种编码），默认是GBK

          license_code，没什么特殊应用的话就默认为None

2）设置词性标注集

    nlpir.SetPOSmap(pos_map)

           NLPIR官方提供四种词性标注集，具体参见官方API : http://pynlpir.readthedocs.org/en/latest/api.html

          词性标注集中FIRST和SECOND的区别在于前者只采用一级标注，后者同时采用二级标注，如对于“是”，一级标注词性为/v，二

    级标注词性为/vshi

3）段落分词

    nlpir.ParagraphProcess(str,int)

          str: 待分词段落

          int: 0表示不加词性标注，1则加词性 （注意此处官方API调用参数可能有误）

          return: 分词后内容

4）文档分词

    nlpir.FileProcess(sFile,rFile,isPOS)

          sFile:待分词文档（文档路径）

          rFile：分词结果文档

          isPOS: 0表示不加词性标注，1则加词性 （注意此处官方API调用参数可能有误）

5）导入用户字典

    nlpir.ImportUserDict(dict_path)

          dict_path: 字典路径

   nlpir.AddUserWord('卡卡') ,将'卡卡'这个词加入用户字典，返回1表示成功

   nlpir.SaveTheUsrDic() , 将用户字典内容输出到磁盘，返回1表示成功

   nlpir.DelUsrWord('卡卡') , 删除用户字典的指定词，返回-1表示字典中没有该词，否则返回值表示该词在字典中位置

6）退出

    nlpir.Exit() :释放内存资源

7）获取关键词或新词

    获取关键词或者新词对段落和文档有各自的方法调用，但参数都一致，即传入待获取的内容，最多获取的词数，以及是否输出词权重信息

三、简易代码示例

 1 from pynlpir import nlpir

 2 

 3 class WordSegment(object):

 4     

 5     def __init__(self):

 6         '''初始化nlpir资源'''

 7         if not nlpir.Init(nlpir.PACKAGE_DIR,nlpir.UTF8_CODE,None):

 8             print 'Initialize NLPIR failed'

 9             exit(-11111)

10 

11     def fileProcess(self,sFile,rFile,isPOS):

12         '''

13         对文档分词：sFile,待分词文档路径

14                    rFile,分词结果文档路径

15                    isPOS,是否标注词性（1 是，0 否）

16         '''

17         nlpir.SetPOSmap(nlpir.ICT_POS_MAP_SECOND)

18         if nlpir.FileProcess(sFile,rFile,isPOS)==0:

19             print 'FileProcess failed.Traceback to module:word_segmentation.py,function:fileProcess()'

20             exit(-111111)

21     

22     def import_userdict(self,dict_path):

23         nlpir.ImportUserDict(dict_path)

24         

25     def finalizeR(self):

26         '''释放nlpir资源'''

27         nlpir.Exit()

NLPIR中文分词简单示例

四、pynlpir模块方法

1）pynlpir._get_pos_name(code, name='parent', english=True)

    获取某个词性相关信息

    code: 词性

    name:分为'parent'(获取该词性的最顶级词性，默认为'parent')，'child'(获取该词性最具体的信息)，'all'(获取该词性相关的所有词性

             信息，相当于从其顶级词性到该词性的一条路径）

    english：默认为True,表示是否以英文输出信息

    以'nsf'词性为例，

    

 print pynlpir._get_pos_name('nsf',name='parent',english=True) # noun

 print pynlpir._get_pos_name('nsf',name='child',english=True) # transcribed toponym

 print pynlpir._get_pos_name('nsf',name='all',english=False) # 名词:地名:音译地名

2) pynlpir.open(data_dir=nlpir.PACKAGE_DIR, encoding=ENCODING, license_code=None)

    相当于pynlpir.nlpir.Init()方法

3) pynlpir.close()

    相当于pynlpir.nlpir.Exit()方法

4) pynlpir.segment(s, pos_tagging=True, pos_names='parent', pos_english=True)

   

 1 r_list= pynlpir.segment('Python环境下NLPIR中文分词系统使用攻略', pos_tagging=True, pos_names='child', pos_english=True)

 2     for w in r_list:

 3         print w[0].encode('gbk'),'\t',w[1]

 4 '''

 5 Python     other proper noun

 6 环境       noun

 7 下             noun of locality

 8 NLPIR     noun

 9 中文             other proper noun

10 分词       verb

11 系统      noun

12 使用             verb

13 攻             verb

14 略             adverb

15 '''

segment示例

5)pynlpir.get_key_words(s, max_words=50, weighted=False)

    print pynlpir.get_key_words('Python环境下NLPIR中文分词系统使用攻略',2,True)

    # [(u'NLPIR', 3.75), (u'Python', 3.0)]