Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/linonetwo/segmentit
任何 JS 环境可用的中文分词包，fork from leizongmin/node-segment
https://github.com/linonetwo/segmentit
chinese chinese-nlp nlp segmentation
Last synced: 3 months ago
JSON representation
任何 JS 环境可用的中文分词包，fork from leizongmin/node-segment
- Host: GitHub
- URL: https://github.com/linonetwo/segmentit
- Owner: linonetwo
- License: mit
- Created: 2017-11-07T08:26:24.000Z (about 7 years ago)
- Default Branch: master
- Last Pushed: 2023-04-13T08:15:52.000Z (over 1 year ago)
- Last Synced: 2024-06-21T23:38:02.193Z (5 months ago)
- Topics: chinese, chinese-nlp, nlp, segmentation
- Language: JavaScript
- Homepage:
- Size: 3.18 MB
- Stars: 254
- Watchers: 5
- Forks: 15
- Open Issues: 7
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# 中文分词模块
本模块基于 [node-segment](https://github.com/leizongmin/node-segment) 魔改，增加了 electron、浏览器支持，并准备针对 electron 多线程运行环境进行优化。
之所以要花时间魔改，是因为 `segment` 和 `nodejieba` 虽然在 node 环境下很好用，但根本无法在浏览器和 electron 环境下运行。我把代码重构为 ES2015，并用 babel 插件内联了字典文件，全部载入的话大小是 3.8M，但如果有些字典你并不需要，字典和模块是支持 tree shaking 的（请使用 ESM 模块）。
## Usage
### Install
```html
```
```sh
npm i segmentit
```
### Use
```javascript
import { Segment, useDefault } from 'segmentit';
const segmentit = useDefault(new Segment());
const result = segmentit.doSegment('工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作。');
console.log(result);
```
对于 runkit 环境：
```javascript
const { Segment, useDefault } = require('segmentit');
const segmentit = useDefault(new Segment());
const result = segmentit.doSegment('工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作。');
console.log(result);
```
[在 Runkit 上免费试用](https://npm.runkit.com/segmentit)
浏览器直接使用例：
首先请引用 “https://cdn.jsdelivr.net/npm/[email protected]/dist/umd/segmentit.js”
```javascript
const segmentit = Segmentit.useDefault(new Segmentit.Segment());
const result = segmentit.doSegment('工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作。');
console.log(result);
```
（其实就是把所有调用，初始化什么的全都加上 `Segmentit.` 就可以了）
## 获取词类标注
结巴分词风格的词类标注：
```javascript
// import Segment, { useDefault, cnPOSTag, enPOSTag } from 'segmentit';
const { Segment, useDefault, cnPOSTag, enPOSTag } = require('segmentit');
const segmentit = useDefault(new Segment());
console.log(segmentit.doSegment('一人得道，鸡犬升天').map(i => `${i.w} <${cnPOSTag(i.p)}> <${enPOSTag(i.p)}>`))
// ↑ ["一人得道 <习语,数词 数语素> ", "， <标点符号> ", "鸡犬升天 <成语> "]
```
## 只使用部分词典或使用自定义词典
useDefault 的具体实现是这样的：
```javascript
// useDefault
import { Segment, modules, dicts, synonyms, stopwords } from 'segmentit';
const segmentit = new Segment();
segmentit.use(modules);
segmentit.loadDict(dicts);
segmentit.loadSynonymDict(synonyms);
segmentit.loadStopwordDict(stopwords);
```
因此你实际上可以 import 所需的那部分字典和模块，然后一个个如下载入。没有 import 的那些字典和模块应该会被 webpack 的 tree shaking 去掉。你也可以这样载入自己定义的字典文件，只需要主要 loadDict 的函数签名是 `(dicts: string | string[]): Segment`。
```javascript
// load custom module and dicts
import {
Segment,
ChsNameTokenizer,
DictOptimizer,
EmailOptimizer,
PunctuationTokenizer,
URLTokenizer,
ChsNameOptimizer,
DatetimeOptimizer,
DictTokenizer,
ForeignTokenizer,
SingleTokenizer,
WildcardTokenizer,
pangu,
panguExtend1,
panguExtend2,
names,
wildcard,
synonym,
stopword,
} from 'segmentit';
const segmentit = new Segment();
// load them one by one, or by array
segmentit.use(ChsNameTokenizer);
segmentit.loadDict(pangu);
segmentit.loadDict([panguExtend1, panguExtend2]);
segmentit.loadSynonymDict(synonym);
segmentit.loadStopwordDict(stopword);
```
盘古的词典比较复古了，像「软萌萝莉」这种词都是没有的，请有能力的朋友 PR 一下自己的词库。
## 创造自己的分词中间件（Tokenizer）和结果优化器（Optimizer）
### Tokenizer
Tokenizer 是分词时要经过的一个个中间件，类似于 Redux 的 MiddleWare，它的 split 函数接受分词分到一半的 token 数组，返回一个同样格式的 token 数组（这也就是不要对太长的文本分词的原因，不然这个数组会巨爆大）。
例子如下：
```javascript
// @flow
import { Tokenizer } from 'segmentit';
import type { SegmentToken, TokenStartPosition } from 'segmentit';
export default class ChsNameTokenizer extends Tokenizer {
split(words: Array): Array {
// 可以获取到 this.segment 里的各种信息
const POSTAG = this.segment.POSTAG;
const TABLE = this.segment.getDict('TABLE');
// ...
}
```
### Optimizer
Optimizer 是在分词结束后，发现有些难以利用字典处理的情况，却可以用启发式规则处理时，可以放这些启发式规则的地方，它的 doOptimize 函数同样接收一个 token 数组，返回一个同样格式的 token 数组。
除了 token 数组以外，你还可以自定义余下的参数，比如在下面的例子里，我们会递归调用自己一次，通过第二个参数判断递归深度：
```javascript
// @flow
import { Optimizer } from './BaseModule';
import type { SegmentToken } from './type';
export default class DictOptimizer extends Optimizer {
doOptimize(words: Array, isNotFirst: boolean): Array {
// 可以获取到 this.segment 里的各种信息
const POSTAG = this.segment.POSTAG;
const TABLE = this.segment.getDict('TABLE');
// ...
// 针对组合数字后无法识别新组合的数字问题，需要重新扫描一次
return isNotFirst === true ? words : this.doOptimize(words, true);
}
```
例如目前各种分词工具都没法把「一条红色内裤」中的红色标对词性，但在 segmentit 里我加了个简单的 AdjectiveOptimizer 来处理它：
```javascript
// @flow
// https://github.com/linonetwo/segmentit/blob/master/src/module/AdjectiveOptimizer.js
import { Optimizer } from './BaseModule';
import type { SegmentToken } from './type';
import { colors } from './COLORS';
// 把一些错认为名词的词标注为形容词，或者对名词作定语的情况
export default class AdjectiveOptimizer extends Optimizer {
doOptimize(words: Array): Array {
const { POSTAG } = this.segment;
let index = 0;
while (index < words.length) {
const word = words[index];
const nextword = words[index + 1];
if (nextword) {
// 对于<颜色>+<的>，直接判断颜色是形容词（字典里颜色都是名词）
if (nextword.p === POSTAG.D_U && colors.includes(word.w)) {
word.p = POSTAG.D_A;
}
// 如果是连续的两个名词，前一个是颜色，那这个颜色也是形容词
if (word.p === POSTAG.D_N && nextword.p === POSTAG.D_N && colors.includes(word.w)) {
word.p = POSTAG.D_A;
}
}
// 移到下一个单词
index += 1;
}
return words;
}
}
```
## License
MIT LICENSED