——JioNLP：中文 NLP 预处理工具包 A Python Lib for Chinese NLP Preprocessing
——安装：pip install jionlp
——JioNLP在线版 可快速试用部分功能（测试版，可能存在不稳定）
- 做 NLP 任务，需要清洗、过滤语料？用 JioNLP
- 做 NLP 任务，需要做信息抽取？用 JioNLP
- 做 NLP 任务，需要数据增强？用 JioNLP
- 做 NLP 任务，需要给模型添加偏旁、拼音、词典、繁体转换信息？用 JioNLP
总之，JioNLP 提供 NLP 任务预处理功能，准确、高效、零使用门槛，并提供一步到位的查阅入口。
功能主要包括：文本清洗，删除HTML标签、删除异常字符、删除冗余字符，转换全角字母、数字、空格为半角，抽取及删除E-mail及域名、抽取及删除（手机号、座机号）电话号码、抽取及删除QQ号、抽取及删除括号内容、抽取及删除身份证号、抽取及删除IP地址、抽取及删除URL超链接、抽取及删除货币金额与单位，金额数字转大写汉字，时间语义解析，解析身份证号信息、解析手机号码归属地、解析座机区号归属地、解析手机号码运营商，按行快速读写文件，（多功能）停用词过滤，（优化的）分句，地址解析，新闻地域识别，繁简体转换，汉字转拼音，汉字偏旁、字形、四角编码、五笔编码拆解，基于词典的情感分析，色情数据过滤，反动数据过滤，关键短语抽取，抽取式文本摘要，成语接龙，成语词典、歇后语词典、新华字典、新华词典、停用词典、**地名词典、**县级地名变更词典、世界地名词典，时间实体抽取，基于词典的NER，NER的字、词级别转换，NER的entity和tag格式转换，NER模型的预测阶段加速并行工具集，NER标注和模型预测的结果差异对比，NER标注数据集分割与统计，NER实体收集、文本分类标注数据集的分割与统计、回译数据增强、相邻近汉字换位数据增强、同音词替换数据增强、随机增删字符数据增强、实体替换数据增强、公历转农历日期、农历转公历日期
Update 2021-10-25
更新 货币金额实体抽取
jio.ner.extract_money 从文本中抽取货币金额实体（不依赖模型，纯规则）。
配合 jio.parse_time 货币金额解析使用（见下一个 Update）
import jionlp as jio
text = '张三赔偿李大花人民币车费601,293.11元，工厂费大约一万二千三百四十五元,利息叁伍佰日元，打印费人民币十块钱。'
res = jio.ner.extract_money(text, with_parsing=False)
print(res)
# [{'text': '601,293.11元', 'offset': [12, 23], 'type': 'money'},
# {'text': '大约一万二千三百四十五元', 'offset': [27, 39], 'type': 'money'},
# {'text': '叁伍佰日元', 'offset': [42, 47], 'type': 'money'},
# {'text': '人民币十块钱', 'offset': [50, 56], 'type': 'money'}]完整示例
Update 2021-10-25
更新 货币金额解析
jio.parse_money 给定货币金额字符串，解析其标准金额、货币类型、精确度。
import jionlp as jio
text_list = ['约4.287亿美元', '两个亿卢布', '六十四万零一百四十三元一角七分', '3000多欧元', '三五佰块钱', '七百到九百亿泰铢']
moneys = [jio.parse_money(text) for text in text_list]
# 约4.287亿美元: {'num': '428700000.00', 'case': '美元', 'definition': 'blur'}
# 两个亿卢布: {'num': '200000000.00', 'case': '卢布', 'definition': 'accurate'}
# 六十四万零一百四十三元一角七分: {'num': '640143.17', 'case': '元', 'definition': 'accurate'}
# 3000多欧元: {'num': ['3000.00', '4000.00'], 'case': '欧元', 'definition': 'blur'}
# 三五百块钱: {'num': ['300.00', '500.00'], 'case': '元', 'definition': 'blur'}
# 七百到九百亿泰铢: {'num': ['70000000000.00', '90000000000.00'], 'case': '泰铢', 'definition': 'blur'}- 支持纯数字格式，如：987273.3美元
- 支持大写中文金额，如：柒仟六佰零弎萬肆仟叁佰贰拾壹元伍分
- 支持混合格式，如：1.26万港元
- 支持修饰词解析，如：将近6万块钱、至少1000块钱以上
- 支持模糊金额解析，如：两万多元钱，6千多亿日元
- 支持金额范围解析，如：十二到十五万泰铢、三四仟块钱
- 支持口语化中文格式，如：三十五块三毛；但对于“三十五块八”这样的字符串，在文本中存在歧义，如“三十五块八颗糖”等，因此，
jio.ner.extract_money对于此字符串不予抽取，但parse_money可以将“三十五块八”看作完整的口语化金额，标准化为“35.80元” - 支持多种常见货币类型：人民币，港元，澳门元，美元，日元，澳元，韩元，卢布，英镑，马克，法郎，欧元，加元，泰铢，台币等。
Update 2021-11-19
更新 时间语义解析
jio.parse_time 给定时间字符串，解析其为时间戳、时长等。
import time
import jionlp as jio
res = jio.parse_time('今年9月', time_base={'year': 2021})
res = jio.parse_time('零三年元宵节晚上8点半', time_base=time.time())
res = jio.parse_time('一万个小时')
res = jio.parse_time('100天之后', time.time())
res = jio.parse_time('每周五下午4点', time.time())
print(res)
# {'type': 'time_span', 'definition': 'accurate', 'time': ['2021-09-01 00:00:00', '2021-09-30 23:59:59']}
# {'type': 'time_point', 'definition': 'accurate', 'time': ['2003-02-15 20:30:00', '2003-02-15 20:30:59']}
# {'type': 'time_delta', 'definition': 'accurate', 'time': {'hour': 10000.0}}
# {'type': 'time_span', 'definition': 'blur', 'time': ['2021-10-22 00:00:00', 'inf']}
# {'type': 'time_period', 'definition': 'accurate', 'time': {'delta': {'day': 7},
# 'point': {'time': ['2021-07-16 16:00:00', '2021-07-16 16:59:59'], 'string': '周五下午4点'}}}- 目前支持年月日、时分秒、星期、季节、季度、节日、农历、时间范围、时间段、时间周期、模糊时间代词等解析。
- 支持对未来时间优先选择，参数为
ret_future(bool)。 - 关于时间语义解析
- 目前支持的所有 测试用例
完整示例
安装 Installation
- python>=3.6 github 版本略领先于 pip
$ git clone https://github.com/dongrixinyu/JioNLP
$ cd ./JioNLP
$ pip install .
- pip 安装
$ pip install jionlp
- 可能存在的问题
# 如安装失败，遇到安装时提示的 pkuseg、Microsoft Visual C++、gcc、g++ 等信息，
# 则说明是 pkuseg 安装失败，需要在相应系统中安装 C 和 C++ 编译器，重新安装。
# pip install pkuseg
# pkuseg 由于久未更新，对 python>=3.9 不兼容，若遇到调用报错，则须退回至 3.8 版本以下的解释器。
使用 Features
- 导入工具包，查看工具包的主要功能与函数注释
>>> import jionlp as jio
>>> jio.help() # 输入关键词搜索工具包是否包含某功能，如输入“回译”
>>> dir(jio)
>>> print(jio.extract_parentheses.__doc__)
- 在 Linux 系统，可使用以下命令做搜索：
$ jio_help
- 星级
⭐ 代表优质特色功能
1.小工具集 Gadgets
| 功能 | 函数 | 描述 | 星级 |
|---|---|---|---|
| 查找帮助 | help | 若不知道 JioNLP 有哪些功能，可根据命令行提示键入若干关键词做搜索 | |
| 时间语义解析 | parse_time | 给定时间文本，解析其时间语义（时间戳、时长）等 | |
| 关键短语抽取 | extract_keyphrase | 给定一篇文本，抽取其对应关键短语 | |
| 抽取式文本摘要 | extract_summary | 给定一篇文本，抽取其对应文摘 | |
| 停用词过滤 | remove_stopwords | 给定一个文本被分词后的词 list，去除其中的停用词 | |
| 分句 | split_sentence | 对文本按标点分句 | |
| 地址解析 | parse_location | 给定一个包含国内地址字符串，识别其中的省、市、县区、乡镇街道、村社等信息 | |
| 电话号码归属地、 运营商解析 |
phone_location cell_phone_location landline_phone_location |
给定一个电话号码（手机号、座机号）字符串，识别其中的省、市、运营商 | |
| 新闻地名识别 | recognize_location | 给定新闻文本，识别其中的国内省、市、县，国外国家、城市等信息 | |
| 公历农历日期互转 | lunar2solar solar2lunar |
给定某公（农）历日期，将其转换为农（公）历 | |
| 身份证号解析 | parse_id_card | 给定一个身份证号，识别对应的省、市、县、出生年月、 性别、校验码等信息 |
|
| 成语接龙 | idiom_solitaire | 成语接龙，即前一成语的尾字和后一成语的首字（读音）相同 | |
| 色情数据过滤 | |||
| 反动数据过滤 | |||
| 繁体转简体 | tra2sim | 繁体转简体，支持逐字转与最大匹配两种模式 | |
| 简体转繁体 | sim2tra | 简体转繁体，支持逐字转与最大匹配两种模式 | |
| 汉字转拼音 | pinyin | 找出中文文本对应的汉语拼音，并可返回声母、韵母、声调 | |
| 汉字转偏旁与字形 | char_radical | 找出中文文本对应的汉字字形结构信息， 包括偏旁部首(“河”氵)、字形结构(“河”左右结构)、 四角编码(“河”31120)、汉字拆解(“河”水可)、 五笔编码(“河”ISKG) |
|
| 金额数字转汉字 | money_num2char | 给定一条数字金额，返回其汉字大写结果 |
2.数据增强
| 功能 | 函数 | 描述 | 星级 |
|---|---|---|---|
| 回译 | BackTranslation | 给定一篇文本，采用各大厂云平台的机器翻译接口， 实现数据增强 |
|
| 邻近汉字换位 | swap_char_position | 随机交换相近字符的位置，实现数据增强 | |
| 同音词替换 | homophone_substitution | 相同读音词汇替换，实现数据增强 | |
| 随机增删字符 | random_add_delete | 随机在文本中增加、删除某个字符，对语义不造成影响 | |
| NER实体替换 | replace_entity | 根据实体词典，随机在文本中替换某个实体，对语义不 造成影响，也广泛适用于序列标注、文本分类 |
3.正则抽取与解析
| 功能 | 函数 | 描述 | 星级 |
|---|---|---|---|
| 清洗文本 | clean_text | 去除文本中的异常字符、冗余字符、HTML标签、括号信息、 URL、E-mail、电话号码，全角字母数字转换为半角 |
|
| 抽取 E-mail | extract_email | 抽取文本中的 E-mail，返回位置与域名 | |
| 解析 货币金额 | extract_money | 解析货币金额字符串 | |
| 抽取电话号码 | extract_phone_number | 抽取电话号码(含手机号、座机号)，返回域名、类型与位置 | |
| 抽取**身份证 ID | extract_id_card | 抽取身份证 ID，配合 jio.parse_id_card 返回身份证的 详细信息(省市县、出生日期、性别、校验码) |
|
| 抽取 QQ 号 | extract_qq | 抽取 QQ 号，分为严格规则和宽松规则 | |
| 抽取 URL | extract_url | 抽取 URL 超链接 | |
| 抽取 IP地址 | extract_ip_address | 抽取 IP 地址 | |
| 抽取括号中的内容 | extract_parentheses | 抽取括号内容，包括 {}「」[]【】()（）<>《》 | |
| 删除 E-mail | remove_email | 删除文本中的 E-mail 信息 | |
| 删除 URL | remove_url | 删除文本中的 URL 信息 | |
| 删除 电话号码 | remove_phone_number | 删除文本中的电话号码 | |
| 删除 IP地址 | remove_ip_address | 删除文本中的 IP 地址 | |
| 删除 身份证号 | remove_id_card | 删除文本中的身份证信息 | |
| 删除 QQ | remove_qq | 删除文本中的 qq 号 | |
| 删除 HTML标签 | remove_html_tag | 删除文本中残留的 HTML 标签 | |
| 删除括号中的内容 | remove_parentheses | 删除括号内容，包括 {}「」[]【】()（）<>《》 | |
| 删除异常字符 | remove_exception_char | 删除文本中异常字符，主要保留汉字、常用的标点， 单位计算符号，字母数字等 |
4.文件读写工具
| 功能 | 函数 | 描述 | 星级 |
|---|---|---|---|
| 按行读取文件 | read_file_by_iter | 以迭代器形式方便按行读取文件，节省内存， 支持指定行数，跳过空行 |
|
| 按行读取文件 | read_file_by_line | 按行读取文件，支持指定行数，跳过空行 | |
| 将 list 中元素按行写入文件 | write_file_by_line | 将 list 中元素按行写入文件 | |
| 计时工具 | TimeIt | 统计某一代码段的耗时 | |
| 日志工具 | set_logger | 调整工具包日志输出形式 |
5.词典加载与使用
| 功能 | 函数 | 描述 | 星级 |
|---|---|---|---|
| 成语词典 | chinese_idiom_loader | 加载成语词典 | |
| 歇后语词典 | xiehouyu_loader | 加载歇后语词典 | |
| **地名词典 | china_location_loader | 加载**省、市、县三级词典 | |
| **区划调整词典 | china_location_change_loader | 加载 2018 年以来**县级以上区划调整更名记录 | |
| 世界地名词典 | world_location_loader | 加载世界大洲、国家、城市词典 | |
| 新华字典 | chinese_char_dictionary_loader | 加载新华字典 | |
| 新华词典 | chinese_word_dictionary_loader | 加载新华词典 |
6.实体识别(NER)算法辅助工具集
| 功能 | 函数 | 描述 | 星级 |
|---|---|---|---|
| 抽取货币金额实体 | extract_money | 从文本中抽取出货币金额实体 | |
| 抽取时间实体 | extract_time | 从文本中抽取出时间实体 | |
| 基于词典NER | LexiconNER | 依据指定的实体词典，前向最大匹配实体 | |
| entity 转 tag | entity2tag | 将 json 格式实体转换为模型处理的 tag 序列 | |
| tag 转 entity | tag2entity | 将模型处理的 tag 序列转换为 json 格式实体 | |
| 字 token 转词 token | char2word | 将字符级别 token 转换为词汇级别 token | |
| 词 token 转字 token | word2char | 将词汇级别 token 转换为字符级别 token | |
| 比较标注与模型预测的实体差异 | entity_compare | 针对人工标注的实体，与模型预测出的实体结果 ，做差异比对 |
|
| NER模型预测加速 | TokenSplitSentence TokenBreakLongSentence TokenBatchBucket |
对 NER 模型预测并行加速的方法 | |
| 分割数据集 | analyse_dataset | 对 NER 标注语料，分为训练集、验证集、测试集，并给出各个子集的实体类型分布统计 | |
| 实体收集 | collect_dataset_entities | 将标注语料中的实体收集起来，形成词典 |
7.文本分类
| 功能 | 函数 | 描述 | 星级 |
|---|---|---|---|
| 朴素贝叶斯分析类别词汇 | analyse_freq_words | 对文本分类的标注语料，做朴素贝叶斯词频分析，返回各类 文本的高条件概率词汇 |
|
| 分割数据集 | analyse_dataset | 对文本分类的标注语料，切分为训练集、验证集、测试集， 并给出各个子集的分类分布统计 |
8.情感分析
| 功能 | 函数 | 描述 | 星级 |
|---|---|---|---|
| 基于词典情感分析 | LexiconSentiment | 依据人工构建的情感词典，计算文本的情感值，介于0~1之间 |
9.分词
| 功能 | 函数 | 描述 | 星级 |
|---|---|---|---|
| word 转 tag | cws.word2tag | 将 json 格式分词序列转换为模型处理的 tag 序列 | |
| tag 转 word | cws.tag2word | 将模型处理的 tag 序列转换为 json 格式分词 | |
| 统计F1值 | cws.f1 | 比对分词标注标签于模型预测标签的F1值 |
初衷
- NLP 预处理与解析至关重要，且非常耗时。本 lib 能快速辅助完成各种琐碎的预处理、解析操作，加速开发进度，把有限的精力用在思考而非 code 上。
- 如有功能建议、bug，可通过 issue 按模板提出。
- 如感兴趣合作完善本工具包，请参考 TODO.txt 文件进行功能添加。
做 NLP不易，欢迎加入自然语言处理 Wechat 交流群
如以下码失效，请先添加 vx：dongrixinyu89
如本工具对您有帮助，请点一下右上角 star ⭐
或者扫码请作者喝杯咖啡 (●'◡'●)，谢谢啦 ~~
