質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.50%

  • Python 3.x

    6417questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • Mecab

    170questions

    Mecabは、オープンソースの形態素解析エンジンです。 言語、辞書、コーパスに依存しない汎用的な設計を基本方針としています。 Mecabの由来は、開発者の好物である和布蕪(めかぶ)から名づけられました。

簡略辞書フォーマットを追加して、janomeで形態素解析をしたいです。

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 181

SKIYO

score 4

janomeを使って、形態素解析を行っています。

簡略辞書(※)を追加したいのですが、エラーになります。。
(※)以下のホームページの簡略辞書フォーマットを参考に、自分なりの dict_simple.csv を作成しました。
http://mocobeta.github.io/janome/

t = Tokenizer(udic = "dict_simple.csv", udic_type = "simpledic", udic_enc = "utf8")
だと以下のようなエラーになり、

t = Tokenizer(udic = "dict_simple.csv", udic_type = "simpledic", udic_enc = "Shift-JIS")
にするとエラーは出ないのですが、自作辞書が反映されません。

どうすれば自作簡略辞書を反映させた形態素解析ができるのか、ご教授ください。

(エラー文)
Traceback (most recent call last):
File ".\tokenizing.py", line 23, in <module>
t = Tokenizer(udic = "dict_simple.csv", udic_type = "simpledic", udic_enc = "utf8")
File "C:\Users\---\AppData\Local\Programs\Python\Python36\lib\site-packages\janome\tokenizer.py", line 168, in init
self.user_dic = UserDictionary(udic, udic_enc, udic_type, connections)
File "C:\Users\---\AppData\Local\Programs\Python\Python36\lib\site-packages\janome\dic.py", line 374, in init
compiledFST, entries = build_method(user_dict, enc)
File "C:\Users\---\AppData\Local\Programs\Python\Python36\lib\site-packages\janome\dic.py", line 402, in buildsimpledic
for line in f:
File "C:\Users\---\AppData\Local\Programs\Python\Python36\lib\codecs.py", line 321, in decode
(result, consumed) = self._buffer_decode(data, self.errors, final)
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x83 in position 1: invalid start byte

以下コードです。

import xlrd
import xlsxwriter
from collections import Counter
from itertools import chain
from janome.tokenizer import Tokenizer
import os

book = xlrd.open_workbook(r"C:\---.xlsx")

sheet_1 = book.sheet_by_index(0)

col = 9 #9列目の'memo'が対象

data = []
each_data = []

#t = Tokenizer(udic = "dict_simple.csv", udic_type = "simpledic", udic_enc = "utf8")
t = Tokenizer(udic = "dict_simple.csv", udic_type = "simpledic", udic_enc = "Shift-JIS")

for row in range(sheet_1.nrows):
    val = sheet_1.cell(row, col).value
    tokens = t.tokenize(val)
    for token in tokens:
        partOfSpeech = token.part_of_speech.split(',')[0]
        if partOfSpeech == u'名詞': #今回抽出するのは名詞のみ(他の品詞も追加、変更、除外可能)
            each_data.append(token.surface)

    data.append(each_data)
    each_data = []


data_book = xlsxwriter.Workbook(r"result\morphological_separate_dictsimple.xlsx")

data_sheet = data_book.add_worksheet('data')

for row in range(len(data)):
    for i in range(len(data[row])):
        data_sheet.write(row, i, data[row][i]) # (行, 列, 追加するデータ)
data_book.close() #エクセル保存

なお、プライバシー上気になる箇所を --- にして伏せています。

  • 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

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    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。

回答 1

checkベストアンサー

0

Pythonおよびjanomeはあまり使わないのですが、ひょっとしたら、ということで。

元のXLSがShift_JISで、Pythonおよびjanome辞書がUTF-8なので処理出来ないのは、と思います。

for row in range(sheet_1.nrows):
・・・


あたりになるんでしょうか、読み込んだ1行ずつをUTF-8に変換するか、試験的にCSVに出来るならCSVにして、テキストエディタでUTF-8に変換して処理させたらどうでしょうか?

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。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.50%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る

  • Python 3.x

    6417questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • Mecab

    170questions

    Mecabは、オープンソースの形態素解析エンジンです。 言語、辞書、コーパスに依存しない汎用的な設計を基本方針としています。 Mecabの由来は、開発者の好物である和布蕪(めかぶ)から名づけられました。