JioNLP:一款实用的中文NLP预处理工具包

一、什么是 JioNLP?

JioNLP是一个面向NLP开发者的工具包,提供了常见的中文文本预处理、解析等功能,使用简单、高效准确、无需配置,可极大加快NLP项目的开发进度。

主要特点包括:

• 代码开源,使用MIT协议
• 功能丰富,涵盖多个NLP预处理需求
• 使用简单,无需复杂配置即可调用
• 准确高效,算法经过精心设计和性能优化
• 文档完善,提供详细使用说明

二、JioNLP功能

文本预处理

• 关键短语抽取
• 文本摘要
• 停用词过滤
• 分句
• 文本清洗(去除异常字符、HTML标签等)

命名实体识别

• 地址解析(省市县区乡村)
• 新闻地名识别
• 手机号/座机号归属地查询
• 车牌号解析
• 身份证号解析
• 时间语义解析

正则抽取和替换

• 抽取Email/URL/电话号码/IP等
• 替换/删除上述实体字符串
• 抽取括号/金额/QQ等信息

词典加载

• 中国省市县地名词典
• 世界国家城市词典
• 成语/歇后语词典
• 新华字/词典

语料处理

• 按行读写文件
• 分词/命名实体语料处理辅助
• 情感分析词典

数据增强

• 同音字替换
• 实体替换
• 邻近字符换位
• 回译

可见,JioNLP囊括了NLP预处理中常见的需求,且还在不断完善和扩充功能中。

三、使用示例

Python安装

pip install jionlp

地址解析

import jionlp as jiotext = "我现在的位置是四川省成都市武侯区红牌楼街19号"
res = jio.parse_location(text, town_village=True)
print(res)

输出:

{'province': '四川省', 'city': '成都市', 'county': '武侯区', 'town': '红牌楼街道','village': None, 'detail': '红牌楼街道19号','full_location': '四川省成都市武侯区红牌楼街道19号','orig_location': '武侯区红牌楼街19号'}

可以看到,JioNLP准确解析出了文本中的省市区县街道等地址信息,并以字典形式返回,非常方便。

货币金额抽取

import json
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9佰日元，打印费十块钱。'
res = jio.ner.extract_money(text, with_parsing=False)
print(json.dumps(res, ensure_ascii=False, indent=4, separators=(',', ':')))

输出：

[{'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': '9佰日元', 'offset': [42, 46], 'type': 'money'},
{'text': '人民币十块钱', 'offset': [50, 56], 'type': 'money'}]

四、总结

JioNLP为NLP开发者提供了实用的预处理解析工具,有效减轻了开发负担,值得去了解和使用。