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

88.92%

pythonでMeCab、neologdで形態素解析すると結果が文字化け(ユニコードエスケープ)する

受付中

回答 0

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 102

matsu1985

score 0

前提・実現したいこと

初めまして。表題の通り、PythonにてMeCab、NEogold辞書で形態素解析をしたいのですが、結果が上手く出せません。
環境:Windows10 64bit、Anaconda3、jupyter notebook
※辞書はコード中のフォルダにインストールしてあります。

試したこと

以下のコードは実行すると正しく結果が出力されているように見えます。

import MeCab
# ipadic
tagger = MeCab.Tagger('-d C:\ProgramData\Mecab\dic\ipadic')
result = tagger.parse("すもももももももものうち")
print(result)


↓出力結果
すもも    名詞,一般,*,*,*,*,すもも,スモモ,スモモ
も    助詞,係助詞,*,*,*,*,も,モ,モ
もも    名詞,一般,*,*,*,*,もも,モモ,モモ
も    助詞,係助詞,*,*,*,*,も,モ,モ
もも    名詞,一般,*,*,*,*,もも,モモ,モモ
の    助詞,連体化,*,*,*,*,の,ノ,ノ
うち    名詞,非自立,副詞可能,*,*,*,うち,ウチ,ウチ
EOS

# neologd
tagger = MeCab.Tagger('-d C:\ProgramData\Mecab\dic\ipadic-neologd')
result = tagger.parse("すもももももももものうち")
print(result)


↓出力結果
すもももももももものうち    名詞,固有名詞,一般,*,*,*,すもももももももものうち,スモモモモモモモモノウチ,スモモモモモモモモノウチ
EOS

しかし、以下を実行するとしばらくしてから(なぜか時間がかかる)エラーになります。

# neologd
tagger = MeCab.Tagger('-d C:\ProgramData\Mecab\dic\ipadic-neologd')
result = tagger.parse("JO")
print(result)


エラー発生

Exception in callback BaseAsyncIOLoop._handle_events(928, 1)
handle: <Handle BaseAsyncIOLoop._handle_events(928, 1)>
Traceback (most recent call last):
  File "C:\...\Anaconda3\lib\asyncio\events.py", line 88, in _run
    self._context.run(self._callback, *self._args)
  File "C:\...\Anaconda3\lib\site-packages\tornado\platform\asyncio.py", line 143, in _handle_events
    handler_func(fileobj, events)
  File "C:\...\Anaconda3\lib\site-packages\zmq\eventloop\zmqstream.py", line 456, in _handle_events
    self._handle_recv()
  File "C:\...\Anaconda3\lib\site-packages\zmq\eventloop\zmqstream.py", line 486, in _handle_recv
    self._run_callback(callback, msg)
  File "C:\...\Anaconda3\lib\site-packages\zmq\eventloop\zmqstream.py", line 438, in _run_callback
    callback(*args, **kwargs)
  File "C:\...\Anaconda3\lib\site-packages\ipykernel\iostream.py", line 120, in _handle_event
    event_f()
  File "C:\...\Anaconda3\lib\site-packages\ipykernel\iostream.py", line 382, in _flush
    parent=self.parent_header, ident=self.topic)
  File "C:\...\Anaconda3\lib\site-packages\jupyter_client\session.py", line 737, in send
    to_send = self.serialize(msg, ident)
  File "C:\...\Anaconda3\lib\site-packages\jupyter_client\session.py", line 625, in serialize
    content = self.pack(content)
  File "C:\...\Anaconda3\lib\site-packages\jupyter_client\session.py", line 103, in <lambda>
    ensure_ascii=False, allow_nan=False,
  File "C:\...\Anaconda3\lib\site-packages\zmq\utils\jsonapi.py", line 43, in dumps
    s = s.encode('utf8')
UnicodeEncodeError: 'utf-8' codec can't encode characters in position 310-311: surrogates not allowed

また、以下のように書き換えると、結果がエスケープ文字列で表示されます。

node = tagger.parseToNode("JO")
word = node.surface # 分解された単語部分
wclass = node.feature.split(',') # 単語の説明部分(カンマで区切ってリスト化)
# 先頭を飛ばして次へ
node = node.next
word = node.surface # 分解された単語部分
wclass = node.feature.split(',') # 単語の説明部分(カンマで区切ってリスト化)
print(word)
print(wclass)


↓出力結果
JO
['̾\udcbb\udcec', '\udcb8\udcc7ͭ̾\udcbb\udcec', '\udcc1ȿ\udca5', '*', '*', '*', '*']

このような環境で、Twitterのタイムラインを形態素解析しているですが、このようなエスケープ文字列の単語として識別される単語がいくつも出てきてしまい、正しいのかよくわからない状況です。

これは、辞書のインストール・作成の仕方に問題があるのでしょうか?
あるいは、文字列のエンコードの問題、その他の問題などでしょうか?
分かる方いましたら、ご教授いただきたいです。

ちなみに、コマンドプロンプトでPythonを起動して実行すると以下のような結果になります。

>>> tagger = MeCab.Tagger('-d C:\ProgramData\Mecab\dic\ipadic-neologd')
>>> result = tagger.parse("JO")
>>> print(result)
JO      ̾��,��ͭ̾��,�ȿ�,*,*,*,*
EOS

以上、よろしくお願いいたします。

補足情報(FW/ツールのバージョンなど)

追記

import MeCab
tagger = MeCab.Tagger('-d C:\ProgramData\Mecab\dic\ipadic-neologd')
info = tagger.dictionary_info()
print('neologd')
print(info.charset)
print(info.version)
print('ipadic')
tagger = MeCab.Tagger('-d C:\ProgramData\Mecab\dic\ipadic')
info = tagger.dictionary_info()
print(info.charset)
print(info.version)


↓出力結果
neologd
-utf-8
102
ipadic
UTF-8
102

使ったコミット
https://github.com/neologd/mecab-ipadic-neologd/commit/45315fdad28456d3e98d5b36bea46a8010235cac

  • 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
    • 過去に投稿した質問と同じ内容の質問
    • 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。

質問への追記・修正の依頼

  • quickquip

    2020/09/15 10:23

    雰囲気的には辞書の問題な感じはします。NEogold のバージョンがあるといいかと思います。

    キャンセル

  • matsu1985

    2020/09/15 11:46

    ありがとうございます。追記いたしましたが、これで合っているでしょうか?

    キャンセル

  • quickquip

    2020/09/15 13:12

    https://github.com/neologd/mecab-ipadic-neologd/tags
    のどのバージョンか、あるいは
    https://github.com/neologd/mecab-ipadic-neologd/commits/master
    のどのコミットを使ったか、ですね。

    キャンセル

  • キャンセル

まだ回答がついていません

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 88.92%
  • 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