From 381b0691ac73d7e4c9b3480e82f43ae4b112e41a Mon Sep 17 00:00:00 2001 From: JesseyXujin Date: Wed, 8 Jan 2020 15:26:12 +0800 Subject: [PATCH] Add enable_paddle interface to install paddle and import packages (#802) * enable_paddle_interface * Add enable_paddle interface to install paddle and import packages * Add enable_paddle interface to install paddle and import packages * add posseg lcut for paddle mode * fix vocabulary --- README.md | 15 ++++++++++----- jieba/__init__.py | 3 +-- jieba/_compat.py | 27 ++++++++++++++++----------- jieba/posseg/__init__.py | 7 ++++--- 4 files changed, 31 insertions(+), 21 deletions(-) diff --git a/README.md b/README.md index 92f9682..593da21 100755 --- a/README.md +++ b/README.md @@ -13,7 +13,7 @@ jieba * 精确模式，试图将句子最精确地切开，适合文本分析； * 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义； * 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。 - * paddle模式，利用paddlepaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。如需使用，请先安装paddlepaddle-tiny，`pip install paddlepaddle-tiny==1.6.1`。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本，请升级jieba，`pip install jieba --upgrade` 。（www.paddlepaddle.org） + * paddle模式，利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。paddle模式使用需安装paddlepaddle-tiny，`pip install paddlepaddle-tiny==1.6.1`。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本，请升级jieba，`pip install jieba --upgrade` 。[PaddlePaddle官网](www.paddlepaddle.org.cn) * 支持繁体分词 * 支持自定义词典 * MIT 授权协议 @@ -39,7 +39,7 @@ jieba ======= 1. 分词 -------- -* `jieba.cut` 方法接受四个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型；use_paddle 参数用来控制是否使用paddle模式下的分词模式（如需使用，安装paddlepaddle-tiny，`pip install paddlepaddle-tiny==1.6.1` ）； +* `jieba.cut` 方法接受四个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型；use_paddle 参数用来控制是否使用paddle模式下的分词模式，paddle模式采用延迟加载方式，通过enable_paddle接口安装paddlepaddle-tiny，并且import相关代码； * `jieba.cut_for_search` 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细 * 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8 * `jieba.cut` 以及 `jieba.cut_for_search` 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用 @@ -52,8 +52,11 @@ jieba # encoding=utf-8 import jieba -seg_list = jieba.cut("我来到北京清华大学", use_paddle=True) -print("Paddle Mode: " + "/ ".join(seg_list)) # paddle模式, 0.40版之后开始支持，早期版本不支持 +jieba.enable_paddle()# 启动paddle模式。 0.40版之后开始支持，早期版本不支持 +strs=["我来到北京清华大学","乒乓球拍卖完了","中国科学技术大学"] +for str in strs: + seg_list = jieba.cut(str,use_paddle=True) # 使用paddle模式 + print("Paddle Mode: " + '/'.join(list(seg_list))) seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("Full Mode: " + "/ ".join(seg_list)) # 全模式 @@ -190,12 +193,14 @@ https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py ----------- * `jieba.posseg.POSTokenizer(tokenizer=None)` 新建自定义分词器，`tokenizer` 参数可指定内部使用的 `jieba.Tokenizer` 分词器。`jieba.posseg.dt` 为默认词性标注分词器。 * 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。 -* 除了jieba默认分词模式，提供paddle模式下的词性标注功能。如需使用，请先安装paddlepaddle-tiny，`pip install paddlepaddle-tiny==1.6.1`。 +* 除了jieba默认分词模式，提供paddle模式下的词性标注功能。paddle模式采用延迟加载方式，通过enable_paddle()安装paddlepaddle-tiny，并且import相关代码； * 用法示例 ```pycon +>>> import jieba >>> import jieba.posseg as pseg >>> words = pseg.cut("我爱北京天安门") #jieba默认模式 +>>> jieba.enable_paddle() #启动paddle模式。 0.40版之后开始支持，早期版本不支持 >>> words = pseg.cut("我爱北京天安门",use_paddle=True) #paddle模式 >>> for word, flag in words: ... print('%s %s' % (word, flag)) diff --git a/jieba/__init__.py b/jieba/__init__.py index 9e4d64b..9f4ad60 100755 --- a/jieba/__init__.py +++ b/jieba/__init__.py @@ -297,10 +297,9 @@ class Tokenizer(object): ''' is_paddle_installed = False if use_paddle == True: - import_paddle_check = import_paddle() is_paddle_installed = check_paddle_install() sentence = strdecode(sentence) - if use_paddle == True and is_paddle_installed == True and import_paddle_check == True: + if use_paddle == True and is_paddle_installed == True: if sentence is None or sentence == "" or sentence == u"": yield sentence return diff --git a/jieba/_compat.py b/jieba/_compat.py index a3ab07a..58137d4 100755 --- a/jieba/_compat.py +++ b/jieba/_compat.py @@ -20,25 +20,30 @@ except ImportError: os.getcwd(), os.path.dirname(__file__), *res)), 'rb') -def import_paddle(): +def enable_paddle(): import_paddle_check = False try: import paddle except ImportError: - default_logger.debug("Import paddle error, please use command to install: pip install paddlepaddle-tiny==1.6.1. " - "Now, back to jieba basic cut......") - return False + default_logger.debug("Installing paddle-tiny, please wait a minute......") + os.system("pip install paddlepaddle-tiny") try: - if paddle.__version__ >= '1.6.1': - import paddle.fluid as fluid + import paddle + except ImportError: + default_logger.debug("Import paddle error, please use command to install: pip install paddlepaddle-tiny==1.6.1." + "Now, back to jieba basic cut......") + if paddle.__version__ < '1.6.1': + default_logger.debug("Find your own paddle version doesn't satisfy the minimum requirement (1.6.1), " + "please install paddle tiny by 'pip install --upgrade paddlepaddle-tiny', " + "or upgrade paddle full version by 'pip install --upgrade paddlepaddle (-gpu for GPU version)' ") + else: + try: import jieba.lac_small.predict as predict import_paddle_check = True - except ImportError: - default_logger.debug("Import error, cannot find paddle.fluid and jieba.lac_small.predict module. " + default_logger.debug("Paddle enabled successfully......") + except ImportError: + default_logger.debug("Import error, cannot find paddle.fluid and jieba.lac_small.predict module. " "Now, back to jieba basic cut......") - return False - return import_paddle_check - PY2 = sys.version_info[0] == 2 diff --git a/jieba/posseg/__init__.py b/jieba/posseg/__init__.py index e3159af..248a9a8 100755 --- a/jieba/posseg/__init__.py +++ b/jieba/posseg/__init__.py @@ -278,9 +278,8 @@ def cut(sentence, HMM=True, use_paddle=False): """ is_paddle_installed = False if use_paddle == True: - import_paddle_check = import_paddle() is_paddle_installed = check_paddle_install() - if use_paddle==True and is_paddle_installed == True and import_paddle_check == True: + if use_paddle==True and is_paddle_installed == True: if sentence is None or sentence == "" or sentence == u"": yield pair(None, None) return @@ -306,5 +305,7 @@ def cut(sentence, HMM=True, use_paddle=False): yield w -def lcut(sentence, HMM=True): +def lcut(sentence, HMM=True, use_paddle=False): + if use_paddle: + return list(cut(sentence, use_paddle=True)) return list(cut(sentence, HMM))