NLTK和语言检测

Question

如何使用NLTK检测文本的语言？

我见过的例子nltk.detect,但是当我在Mac上安装它时,我找不到这个包.

Answer 1

您是否遇到过以下代码段？

english_vocab = set(w.lower() for w in nltk.corpus.words.words())
text_vocab = set(w.lower() for w in text if w.lower().isalpha())
unusual = text_vocab.difference(english_vocab) 

来自http://groups.google.com/group/nltk-users/browse_thread/thread/a5f52af2cbc4cfeb?pli=1&safe=active

或者以下演示文件？

https://web.archive.org/web/20120202055535/http://code.google.com/p/nltk/source/browse/trunk/nltk_contrib/nltk_contrib/misc/langid.py

Answer 2

这个库不是来自NLTK,但肯定有帮助.

$ sudo pip install langdetect

支持的Python版本2.6,2.7,3.x.

>>> from langdetect import detect

>>> detect("War doesn't show who's right, just who's left.")
'en'
>>> detect("Ein, zwei, drei, vier")
'de'

https://pypi.python.org/pypi/langdetect？

PS:不要指望这总是正常工作:

>>> detect("today is a good day")
'so'
>>> detect("today is a good day.")
'so'
>>> detect("la vita e bella!")
'it'
>>> detect("khoobi? khoshi?")
'so'
>>> detect("wow")
'pl'
>>> detect("what a day")
'en'
>>> detect("yay!")
'so'

Answer 3

虽然这不在NLTK中,但我在另一个基于Python的库中取得了很好的效果:

https://github.com/saffsd/langid.py

这很容易导入,并且在其模型中包含大量语言.

Answer 4

太晚了，但是，您可以textcat在nltk, here 中使用分类器。该论文论述的算法。

它返回ISO 639-3 中的国家/地区代码，因此我将用于pycountry获取全名。

例如，加载库

import nltk
import pycountry
from nltk.stem import SnowballStemmer

现在让我们看看两个短语，以及guess它们的语言：

phrase_one = "good morning"
phrase_two = "goeie more"

tc = nltk.classify.textcat.TextCat() 
guess_one = tc.guess_language(phrase_one)
guess_two = tc.guess_language(phrase_two)

guess_one_name = pycountry.languages.get(alpha_3=guess_one).name
guess_two_name = pycountry.languages.get(alpha_3=guess_two).name
print(guess_one_name)
print(guess_two_name)

English
Afrikaans

然后，您可以将它们传递给其他nltk函数，例如：

stemmer = SnowballStemmer(guess_one_name.lower())
s1 = "walking"
print(stemmer.stem(s1))
walk

免责声明显然这并不总是有效，尤其是对于稀疏数据

极端例子

guess_example = tc.guess_language("hello")
print(pycountry.languages.get(alpha_3=guess_example).name)
Konkani (individual language)