——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、中国地名词典、中国县级地名变更词典、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 2021-09-09

新增 时间实体抽取

jio.ner.extract_time 从文本中抽取时间实体（不依赖模型，纯规则）。

import time
import jionlp as jio
text = '【新华社报2021-9-9】国家统计局今天发布了2021年8月份全国CPI（居民消费价格指数）和PPI（工业生产者出厂价格指数）数据。'
res = jio.ner.extract_time('今年9月', time_base={'year': 2021})
print(res)

# [{'text': '2021-9-9', 'offset': [5, 13], 'type': 'time_point'},
#  {'text': '今天', 'offset': [19, 21], 'type': 'time_point'},
#  {'text': '2021年8月份', 'offset': [24, 32], 'type': 'time_point'}]

Update 2021-07-26

新增 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})
print(res)
res = jio.parse_time('零三年元宵节晚上8点半', time_base=time.time())
print(res)
res = jio.parse_time('一万个小时')
print(res)
res = jio.parse_time('100天之后', time.time())
print(res)
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。
• TODO: 细节与参数仍有待完善。
• 关于时间语义解析
• 目前支持的所有 测试用例

完整示例

• 一般首先对文本进行时间类型的实体识别，得到如上图的时间实体。然后选定其中的 time_base(选定新闻发布时间2021-07-15 09:03:47)，即可采用本工具处理，得到结果如下：

7月15日               time_point  ['2021-07-15 00:00:00', '2021-07-15 23:59:59']
今年上半年             time_span   ['2021-01-01 00:00:00', '2021-06-30 23:59:59']
两年                  time_delta  {'year': 2.0}
一季度                time_span   ['2021-01-01 00:00:00', '2021-03-31 23:59:59']
二季度                time_span   ['2021-04-01 00:00:00', '2021-06-30 23:59:59']
上半年                time_span   ['2021-01-01 00:00:00', '2021-06-30 23:59:59']
春节                  time_point  ['2021-02-12 00:00:00', '2021-02-12 23:59:59']
五一                  time_point  ['2021-05-01 00:00:00', '2021-05-01 23:59:59']
端午                  time_point  ['2021-06-14 00:00:00', '2021-06-14 23:59:59']
6月份                 time_point  ['2021-06-01 00:00:00', '2021-06-30 23:59:59']
16个月                time_delta  {'month': 16.0}
从2018年至今           time_span   ['2018-01-01 00:00:00', '2021-07-15 09:03:47']
每年                  time_period {'delta': {'year': 1}, 'point': None}
1-5月份               time_span   ['2021-01-01 00:00:00', '2021-05-31 23:59:59']
2020年1-5月份         time_span   ['2020-01-01 00:00:00', '2020-05-31 23:59:59']
2021-07-15 09:03:47  time_point  ['2021-07-15 09:03:47', '2021-07-15 09:03:47']

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

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

• 文本数据增强各方法说明

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
抽取 金额	extract_money money_standardization	抽取文本中的金额，并将其以数字 + 单位标准形式输出	⭐
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
抽取中国身份证 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

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	⭐
中国地名词典	china_location_loader	加载中国省、市、县三级词典	⭐
中国区划调整词典	china_location_change_loader	加载 2018 年以来中国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

• 工具包 NER 数据规定说明

功能	函数	描述	星级
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

初衷

• NLP 预处理至关重要，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

如您感觉本工具对您有帮助，可以扫码请作者喝杯咖啡 (●'◡'●)