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。
python
1import xlrd 2import xlsxwriter 3from collections import Counter 4from itertools import chain 5from janome.tokenizer import Tokenizer 6import os 7 8book = xlrd.open_workbook(r"C:\---.xlsx") 9 10sheet_1 = book.sheet_by_index(0) 11 12col = 9 #9列目の'memo'が対象 13 14data = [] 15each_data = [] 16 17#t = Tokenizer(udic = "dict_simple.csv", udic_type = "simpledic", udic_enc = "utf8") 18t = Tokenizer(udic = "dict_simple.csv", udic_type = "simpledic", udic_enc = "Shift-JIS") 19 20for row in range(sheet_1.nrows): 21 val = sheet_1.cell(row, col).value 22 tokens = t.tokenize(val) 23 for token in tokens: 24 partOfSpeech = token.part_of_speech.split(',')[0] 25 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) 26 each_data.append(token.surface) 27 28 data.append(each_data) 29 each_data = [] 30 31 32data_book = xlsxwriter.Workbook(r"result\morphological_separate_dictsimple.xlsx") 33 34data_sheet = data_book.add_worksheet('data') 35 36for row in range(len(data)): 37 for i in range(len(data[row])): 38 data_sheet.write(row, i, data[row][i]) # (行, 列, 追加するデータ) 39data_book.close() #エクセル保存 40
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。
回答1件
あなたの回答
tips
プレビュー
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。