Python下如何调用NLPIR(ICTCLAS2013)分词系统

爱被打了一巴掌 2022-08-14 03:49 192阅读 0赞

NLPIR汉语分词系统-Python下如何调用NLPIR(ICTCLAS2013)  
在国内研究自然语言处理的人大概都知道ICTCLAS分词系统的大名。该系统是由张华平博士开发的基于层叠隐性马可夫链的分词系统，在中文分词领域具有领先的优势。今年一月张华平博士已经放出了最新的ICTCLAS2013分词系统，并更名为NLPIR，加入了新词发现，微博分词等功能。  
  
在官方网站上，提供了C，Java，C\#等语言的绑定。本文将介绍把最新的NLPIR分词系统与Python绑定的方法。  
  
首先下载swig，swig可以帮助我们将C或者C++编写的DLL或者SO文件绑定到包括Python在内的多种语言。Windows下将安装包下载到一定目录下将该目录加入环境变量的path中即可使用swig（当然也可以输入完整的路径来使用swig）。可以打开命令行窗口，在里面输入swig，如果出现“Must specify an input file. Use -help for available options.”则表示一切顺利。  
  
下面通过swig来讲NLPIR系统封装成Python的扩展。新建一个空白的目录，取名为nlpirpy\_ext。首先要写的是swig的接口文件，可以参考swig文档的写法，下面就简单介绍一下：  
%module NLPIR  
%\{  
\#define SWIG\_FILE\_WITH\_INIT  
\#include "NLPIR.h"  
%\}  
/\*封装所有头文件中的api\*/  
\#define POS\_MAP\_NUMBER 4  
\#define ICT\_POS\_MAP\_FIRST 1  
\#define ICT\_POS\_MAP\_SECOND 0  
\#define PKU\_POS\_MAP\_SECOND 2  
\#define PKU\_POS\_MAP\_FIRST 3  
\#define POS\_SIZE 40  
\#define GBK\_CODE 0  
\#define UTF8\_CODE GBK\_CODE+1  
\#define BIG5\_CODE GBK\_CODE+2  
\#define GBK\_FANTI\_CODE GBK\_CODE+3  
bool NLPIR\_Init(const char \* sDataPath=0,int encode=GBK\_CODE);  
bool NLPIR\_Exit();  
const char \* NLPIR\_ParagraphProcess(const char \*sParagraph,int bPOStagged=1);  
const result\_t \* NLPIR\_ParagraphProcessA(const char \*sParagraph,int \*pResultCount,bool bUserDict=true);  
int NLPIR\_GetParagraphProcessAWordCount(const char \*sParagraph);  
void NLPIR\_ParagraphProcessAW(int nCount,result\_t \* result);  
double NLPIR\_FileProcess(const char \*sSourceFilename,const char \*sResultFilename,int bPOStagged=1);  
unsigned int NLPIR\_ImportUserDict(const char \*sFilename);  
int NLPIR\_AddUserWord(const char \*sWord);//add by qp 2008.11.10  
int NLPIR\_SaveTheUsrDic();  
int NLPIR\_DelUsrWord(const char \*sWord);  
double NLPIR\_GetUniProb(const char \*sWord);  
bool NLPIR\_IsWord(const char \*sWord);  
const char \* NLPIR\_GetKeyWords(const char \*sLine,int nMaxKeyLimit=50,bool bWeightOut=false);  
const char \* NLPIR\_GetFileKeyWords(const char \*sFilename,int nMaxKeyLimit=50,bool bWeightOut=false);  
const char \* NLPIR\_GetNewWords(const char \*sLine,int nMaxKeyLimit=50,bool bWeightOut=false);  
const char \* NLPIR\_GetFileNewWords(const char \*sFilename,int nMaxKeyLimit=50,bool bWeightOut=false);  
unsigned long NLPIR\_FingerPrint(const char \*sLine);  
int NLPIR\_SetPOSmap(int nPOSmap);  
bool NLPIR\_NWI\_Start();//New Word Indentification Start  
int NLPIR\_NWI\_AddFile(const char \*sFilename);  
bool NLPIR\_NWI\_AddMem(const char \*sText);  
bool NLPIR\_NWI\_Complete();  
const char \* NLPIR\_NWI\_GetResult(bool bWeightOut=false);  
unsigned int NLPIR\_NWI\_Result2UserDict();  
%module 后面跟的是模块名，也就是Python中import后跟名字。  
%\{  
%\}中的是放头文件的地方（所以说用swig做封装的话，至少得有头文件。）  
  
其中“\#define SWIG\_FILE\_WITH\_INIT”是说封装成扩展的时候包含python的\_\_init\_\_.py的内容。"\#include "NLPIR.h""大家懂的。  
  
接下来那一堆\#define也就是从头文件中复制出来的，这样在封装之后这些define的内容直接可以再模块中使用。  
  
再接下来的函数声明就是要从C文件中导出的接口了。  
  
下面再写一个setup.bat文件，将swig和扩展接口的工作统一起来：  
swig -c++ -python NLPIR.i  
python setup.py build\_ext --inplace  
echo "Build Complete!"  
pause  
第一行就是swig的命令。-c++是说扩展的是C++编写的库， -python当然是说扩展为Python，NLPIR.i就是刚才写的接口文件  
第二行我不懂……这是照别人写的，Python刚入门，对这些都还不太熟悉。包括接下来setup.py里面的内容也不太懂，都是依样画葫芦。大家可以参看以下这方面的教程。  
'''  
setup.py file for NLPIR  
'''  
from distutils.core import setup, Extension  
NLPIR\_module = Extension('\_NLPIR',sources=\['NLPIR\_wrap.cxx'\], libraries = \['NLPIR'\])  
setup(name = 'NLPIR',  
version = '1.0',  
author = 'SWIG Docs',  
description = 'pyd for NLPIR',  
ext\_modules = \[NLPIR\_module\],  
py\_modules = \['NLPIR'\],  
)  
要注意的两点是，第一是Extension的第一个参数前一定要有个"\_"这是swig的规定，souces里面的cxx代表的就是c++文件。是第一步swig自动生成的文件。  
  
  
接下来在目录里放置一个空白的\_\_init\_\_.py文件。为的是这个扩展可以直接放到python的目录中取。  
  
最后，讲下载好的NLPIR文件夹中的NLPIR.dll,NLPIR.h，NLPIR.lib,Data文件夹放到和刚才同样的目录下。运行setup.bat  
  
我就是在这里遇到了很大的问题的：我的是64位的win7系统，装的是64位的Python2.7.3。首先，在运行bat文件后，第一步能成功，在第二步的时候，首先Python会去查找VS2008的编译器，因为windows Python2.7.3本身就是VS2008编译的，但我恰恰装的是VS2012Express，所以查找失败。爆出：“Unable to find vcvarsall.bat”的错误，几经周折，发现如下解决方法：直接更改C:/Python32/Lib/distutils/msvc9compiler.py文件。。。然后失败了。。然后找到了改环境变量的方法：添加"VS90COMNTOOLS"指向VS2012的环境，例如C:\\Program Files\\Microsoft Visual Studio 10.0\\Common7\\Tools\\。  
  
到此时好像更进一步了，但是又遇到了新的问题：不是正确的win32文件。然后我发现问题出在Express版本的编译器不能编译64位文件……要么安装一个1.4G的windows的东西，要么换成32位版本的python……我表示败了，还是换32版本python吧，两个版本并存好了。  
  
重新安装python32位版，更改环境变量指向新的Python，搞定。  
  
上述工作完成后，将文件夹拷到python安装目录下的lib\\site-packages目录下，就可以直接使用该扩展了。  
  
下面是一个文中所提到的源代码的打包下载，一个是只含上述源代码的：nlpirpy\_ext原始版.7z。另一个已经通过swig封装过了，目前只支持windows python2.7.3 32位版。其他环境需要自己封装或者测试，还带有一个小的Seg.py，是进一步封装的分词器类：NLPIRPY\_EXT\_built版.7z。  
  
本文就到这里了，欢迎指正：  
  
参考文献：  
  
1.http://www.cnblogs.com/toofooltosaysmth/archive/2011/10/21/Python\_SegTools.html  
2.http://www.linuxidc.com/Linux/2011-08/39722.htm  
3.http://stackoverflow.com/questions/2667069/cannot-find-vcvarsall-bat-when-running-a-python-script  
4.http://blog.victorjabur.com/2011/06/05/compiling-python-2-7-modules-on-windows-32-and-64-using-msvc-2008-express/  
5.http://stackoverflow.com/questions/4635734/trying-to-build-the-basic-python-extension-example-fails-windows  
6.http://bugs.python.org/issue7511  
RELATED POSTS