HanLP
HanLP copied to clipboard
hankcs
希望增加tok保存空格的选项，以便分词后还原文本
Describe the feature and the current behavior/state.
文本的空格（全形和半形）会在tok舍弃
Will this change the current api? How?
不知道
Who will benefit with this feature?
使用简繁转换的人
Are you willing to contribute it (Yes/No):
力有不逮
System information
- OS Platform and Distribution (e.g., Linux Ubuntu 16.04): Arch Linux
- Python version: 3.10.9
- HanLP version: 2.1.0b45，用
pip install hanlp安装
Any other info
我主要是想用hanlp来进行文本简繁转换
因为opencc的简繁转换有时会出现问题（例如只和隻的转换）
在其github #224 (comment)的讨论中，看到有人使用HanLP分词再丢给opencc
所以试了一整天，感觉不错
但是因为tok未能保存空格以文本未能成功还原
例子
import hanlp
tok = hanlp.load(hanlp.pretrained.tok.COARSE_ELECTRA_SMALL_ZH)
print(tok(['2021年HanLPv2.1为生产环境带来次世代最先进的多语种Neuro-linguistic programming技术。', '阿婆主来到北京立方庭参观自然语义科技公司。']))
输出为：
[['2021年', 'HanLPv2.1', '为', '生产', '环境', '带来', '次世代', '最', '先进', '的', '多', '语种', 'Neuro-linguistic', 'programming', '技术', '。'], ['阿婆', '主', '来到', '北京立方庭', '参观', '自然语义科技公司', '。']]
Neuro-linguistic programming 两个词中的空格消失了
把这段输出丢给opencc再还原后
就会变成Neuro-linguisticprogramming
因为我编程能力极度有限
现在我只是使用python读取txt档
再像上面那样python的hanlp的tok分词
再使用json.dumps掉进terminal
在terminal用opencc进行简繁转换
再使用jq,sed等工具还原文本
或者有没有什么更有效的分词简繁转换方法？ 谢谢！
- [x] I've carefully completed this form.
Hi,
- tok不会舍弃文本的空格（全形和半形）。单词之间的空格不属于单词的一部分，理所当然不会出现在单词中。如果tok认为单词本身含有空格，该空格会作为单词的一部分保留。比如
'2021年蝴 蝶图标HanLPv2.1为生产环境带来次世代最先进的多语种Neuro-linguistic programming技术。'会被分作['2021年', '蝴 蝶', '图标', 'HanLPv2.1', '为', '生产', '环境', '带来', '次世代', '最', '先进', '的', '多', '语种', 'Neuro-linguistic', 'programming', '技术', '。']。 - 你的意思应该是认为
'Neuro-linguistic programming'应当分作一个单词，这属于对分词颗粒度看法不同。按照MSR分词标准，英文词组应当被拆开，HanLP的模型很准确。 - 从你的目的来讲，HanLP支持输出每个单词在文本中的原始位置，“还原文本”完全可行，几行代码的事情：https://colab.research.google.com/drive/1Q-CV_G-zSErzoT7PlVWzgYj-MNK1BBpf?usp=sharing
