前提・実現したいこと
私はサイト上のテキストの中にどのような単語が多く含まれ出現しているのか調べるプログラムを現在組んでいます。その中で、形態素解析を先にしたプログラムを作り、その部分だけを取り除きたいと思い試行錯誤したのですがなかなかうまくいきません。mecab処理のところをどのように消せばいいのか教えていただきたいです。
該当のソースコード
# coding: utf-8
import sys
import json
import MeCab
import urllib.request, urllib.error, urllib.parse
from collections import defaultdict
from operator import itemgetter
from bs4 import BeautifulSoup
from bs4 import NavigableString
from bs4 import Comment, Declaration
class Ngram():
def __init__(self, N=3):
self.N = N
self.tagger = MeCab.Tagger("-Owakati")
def get(self, text, ngram=None):
seq = self.tagger.parse(text).split()
if ngram is None:
ngram = [defaultdict(int) for x in range((self.N + 1))]
ngram[0] = None
for i in range(len(seq)):
for n in range(1, self.N + 1):
idx = i - n + 1 # check ngram is valid range
if idx >= 0:
key_words = []
for j in range(idx, i+1):
key_words.append(seq[j])
key = ' '.join(key_words)
ngram[n][key] += 1
return ngram
class HTMLParser():
def get(self, url):
try:
c = urllib.request.urlopen(url)
except:
print("Could not open %s" % url)
return ""
soup = BeautifulSoup(c.read(), "lxml")
text = '\n'.join(self.__getNavigableStrings(soup))
return text
def __getNavigableStrings(self, soup):
if isinstance(soup, NavigableString):
if type(soup) not in (Comment, Declaration) and soup.strip():
yield soup
elif soup.name not in ('script', 'style'):
for c in soup.contents:
for g in self.__getNavigableStrings(c):
yield g
if __name__ == "__main__":
f = open("urls.json", "r")
urls = json.load(f)
f.close()
print("Count of urls : " + str(len(urls)))
N = 10
hp = HTMLParser()
ng = Ngram(N)
ngram = None
for url in urls:
text = hp.get(url)
ngram = ng.get(text, ngram)
for n in range(1, (N + 1)):
f = open('outputs/{:02d}.tsv'.format(n), 'w')
out = ""
for k, v in sorted(list(ngram[n].items()), key=itemgetter(1), reverse=True):
out += "{}\t{}\n".format(k, v)
f.write(out)
f.close()mecab処理の部分をコメントアウトした際のエラー文
Count of urls : 1
Traceback (most recent call last):
File "ngram.py", line 76, in <module>
ngram = ng.get(text, ngram)
File "ngram.py", line 20, in get
seq = self.parse(text).split()
AttributeError: 'Ngram' object has no attribute 'parse'
試したこと
mecabの部分をコメントアウトしたりしたのですがうまくいかなかったです。
-
気になる質問をクリップする
クリップした質問は、後からいつでもマイページで確認できます。
またクリップした質問に回答があった際、通知やメールを受け取ることができます。
クリップを取り消します
-
良い質問の評価を上げる
以下のような質問は評価を上げましょう
- 質問内容が明確
- 自分も答えを知りたい
- 質問者以外のユーザにも役立つ
評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。
質問の評価を上げたことを取り消します
-
評価を下げられる数の上限に達しました
評価を下げることができません
- 1日5回まで評価を下げられます
- 1日に1ユーザに対して2回まで評価を下げられます
質問の評価を下げる
teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。
- プログラミングに関係のない質問
- やってほしいことだけを記載した丸投げの質問
- 問題・課題が含まれていない質問
- 意図的に内容が抹消された質問
- 広告と受け取られるような投稿
評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。
質問の評価を下げたことを取り消します
この機能は開放されていません
評価を下げる条件を満たしてません
質問の評価を下げる機能の利用条件
この機能を利用するためには、以下の事項を行う必要があります。
- 質問回答など一定の行動
-
メールアドレスの認証
メールアドレスの認証
-
質問評価に関するヘルプページの閲覧
質問評価に関するヘルプページの閲覧
checkベストアンサー
0
最低限だと
def get(self, text, ngram=None):
seq = self.tagger.parse(text).split()
↓
def get(self, seq, ngram=None):
で。
投稿
-
回答の評価を上げる
以下のような回答は評価を上げましょう
- 正しい回答
- わかりやすい回答
- ためになる回答
評価が高い回答ほどページの上位に表示されます。
-
回答の評価を下げる
下記のような回答は推奨されていません。
- 間違っている回答
- 質問の回答になっていない投稿
- スパムや攻撃的な表現を用いた投稿
評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。
0
ほとんど何もしなくても文字n-gramは作れますね。
import MeCab
from collections import defaultdict
from pprint import pprint
class Ngram():
def __init__(self, N=3):
self.N = N
self.tagger = MeCab.Tagger("-Owakati")
def get(self, seq, ngram=None): # 引数名を変更
# seq = self.tagger.parse(text).split() # コメントアウト
if ngram is None:
ngram = [defaultdict(int) for x in range((self.N + 1))]
ngram[0] = None
for i in range(len(seq)):
for n in range(1, self.N + 1):
idx = i - n + 1 # check ngram is valid range
if idx >= 0:
key_words = []
for j in range(idx, i+1):
key_words.append(seq[j])
key = ' '.join(key_words)
ngram[n][key] += 1
return ngram
ngram = Ngram()
pprint(ngram.get("吾輩は猫である。"))
""" =>
[None,
defaultdict(<class 'int'>,
{'。': 1,
'あ': 1,
'で': 1,
'は': 1,
'る': 1,
'吾': 1,
'猫': 1,
'輩': 1}),
defaultdict(<class 'int'>,
{'あ る': 1,
'で あ': 1,
'は 猫': 1,
'る 。': 1,
'吾 輩': 1,
'猫 で': 1,
'輩 は': 1}),
defaultdict(<class 'int'>,
{'あ る 。': 1,
'で あ る': 1,
'は 猫 で': 1,
'吾 輩 は': 1,
'猫 で あ': 1,
'輩 は 猫': 1})]
"""投稿
-
回答の評価を上げる
以下のような回答は評価を上げましょう
- 正しい回答
- わかりやすい回答
- ためになる回答
評価が高い回答ほどページの上位に表示されます。
-
回答の評価を下げる
下記のような回答は推奨されていません。
- 間違っている回答
- 質問の回答になっていない投稿
- スパムや攻撃的な表現を用いた投稿
評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。
質問への追記・修正、ベストアンサー選択の依頼
quiqui
2018/06/14 14:04
"形態素解析を先にしたプログラムを作り、その部分だけを取り除きたい"の意味が分かりません。このコードがどういう風にあなたの意図と違うのか分かりません。"mecab処理のところをどのように消せばいいのか"でなぜ消したいのか分かりません。動かないソースではないので仕様を変えたいのだろう、ということだけはかろうじて推測できますがそれまでです。
rysy_9
2018/06/14 14:11
先にmecab処理をしてしまうと単語として区切られる処理が先にされてしまうので、どのような単語が出現するのかを確認したい目的があるためその処理がいらないことに気づきました。mecabの部分をコメントアウトするとうまくいかないためこのような質問をさせていただいております。コメントアウトした場合のエラー文を追記します。
quiqui
2018/06/14 14:14
単語を区切らずにどうやって出現している単語が確認できるのか説明ください。文字ngramで十分ということですか?
quiqui
2018/06/14 14:33
例えば、"私はサイト上のテキストの中にどのような単語が多く含まれ出現しているのか調べるプログラムを現在組んでいます。"という文を処理した時の欲しい結果はなんですか?
rysy_9
2018/06/14 14:40
私、は、サ、イ...のように1文字単位でngram処理をしたいです。mecab処理をしてしまうと私、は、サイトのようになってしまうところを修正したいです。