ai-content-maker/.venv/Lib/site-packages/pypinyin/seg/mmseg.py

125 lines
4.0 KiB
Python
Raw Normal View History

2024-05-03 04:18:51 +03:00
# -*- coding: utf-8 -*-
"""最大正向匹配分词"""
from pypinyin.constants import PHRASES_DICT
class Seg(object):
"""正向最大匹配分词
:type prefix_set: PrefixSet
:param no_non_phrases: 是否严格按照词语分词不允许把非词语的词当做词语进行分词
:type no_non_phrases: bool
"""
def __init__(self, prefix_set, no_non_phrases=False):
self._prefix_set = prefix_set
self._no_non_phrases = no_non_phrases
def cut(self, text):
"""分词
:param text: 待分词的文本
:yield: 单个词语
"""
remain = text
while remain:
matched = ''
# 一次加一个字的匹配
for index in range(len(remain)):
word = remain[:index + 1]
if word in self._prefix_set:
matched = word
else:
# 前面的字符串是个词语
if (matched and (
(not self._no_non_phrases) or
matched in PHRASES_DICT
)
):
yield matched
matched = ''
remain = remain[index:]
else: # 前面为空或不是真正的词语
# 严格按照词语分词的情况下,不是词语的词拆分为单个汉字
# 先返回第一个字,后面的重新参与分词,
# 处理前缀匹配导致无法识别输入尾部的词语,
# 支持简单的逆向匹配分词:
# 已有词语:金融寡头 行业
# 输入:金融行业
# 输出:金 融 行业
if self._no_non_phrases:
yield word[0]
remain = remain[index + 2 - len(word):]
else:
yield word
remain = remain[index + 1:]
# 有结果了,剩余的重新开始匹配
matched = ''
break
else: # 整个文本就是一个词语,或者不包含任何词语
if self._no_non_phrases and remain not in PHRASES_DICT:
for x in remain:
yield x
else:
yield remain
break
def train(self, words):
"""训练分词器
:param words: 词语列表
"""
self._prefix_set.train(words)
class PrefixSet(object):
def __init__(self):
self._set = set()
def train(self, word_s):
"""更新 prefix set
:param word_s: 词语库列表
:type word_s: iterable
:return: None
"""
for word in word_s:
# 把词语的每个前缀更新到 prefix_set 中
for index in range(len(word)):
self._set.add(word[:index + 1])
def __contains__(self, key):
return key in self._set
p_set = PrefixSet()
p_set.train(PHRASES_DICT.keys())
#: 基于内置词库的最大正向匹配分词器。使用:
#:
#: .. code-block:: python
#:
#: >>> from pypinyin.contrib.mmseg import seg
#: >>> text = '你好,我是中国人,我爱我的祖国'
#: >>> seg.cut(text)
#: <generator object Seg.cut at 0x10b2df2b0>
#: >>> list(seg.cut(text))
#: ['你好', '', '我', '是', '中国人', '', '我', '爱',
#: '我的', '祖', '国']
#: >>> seg.train(['祖国', '我是'])
#: >>> list(seg.cut(text))
#: ['你好', '', '我是', '中国人', '', '我', '爱',
#: '我的', '祖国']
#: >>>
seg = Seg(p_set, no_non_phrases=True)
def retrain(seg_instance):
"""重新使用内置词典训练 seg_instance。
比如在增加自定义词语信息后需要调用这个模块重新训练分词器
:type seg_instance: Seg
"""
seg_instance.train(PHRASES_DICT.keys())