设为首页 收藏本站
查看: 903|回复: 0

[经验分享] 利用百度构造拼音词表[python]

[复制链接]

尚未签到

发表于 2017-5-3 09:50:29 | 显示全部楼层 |阅读模式
做中文查询纠错,需要一个拼音到中文词汇的对应表。网上找不到,只要利用baidu来构建一个。

原理:

难点是多音字。输入一个词,根据拼音汉字表,可以得到其搜有发音,比如“银行”的发音有可能有 “yinhang”, “yinxing”,哪一个才是对的呢?

发送 GET 请求到 to baidu.com,
"http://www.baidu.com/s?bs=zhongguo&f=8&wd=yinhang"

从搜索结果可以得到,

您要找的是不是: 银行 ,
百度一下,找到相关网页约170,000篇,用时 0.070秒

这样就可以知道” yinhang“是”银行“正确的发音。


步骤
1. 利用拼音汉字表, 构造 汉字->拼音 hash 表。
2. 对词表的每一个词汇,得到所有的拼音候选。如果只有一个,就是得到一个结果。
如果有多个发音,到步骤3。
3. 发送 GET 请求到 to baidu.com, "http://www.baidu.com/s?bs=zhongguo&f=8&wd=*****" (候选拼音)
4. 分析返回结果,得到正确的发音。

注意,由于发送GET到baidu太慢,采用用200个线程,
下面是python代码



#!/usr/bin/python

import sys
import chardet
import re
import httplib
from urllib2 import Request, HTTPError, URLError, urlopen
from httplib import InvalidURL
import urlparse, re, urllib, logging, StringIO, logging
import htmllib
from os.path import join, getsize
import threading


verbose =  False

#编码转换
def transcode(s):
try:
encode_dict =  chardet.detect(s)
if encode_dict["encoding"] == "GB2312" :
s =  unicode(s,"gb18030").encode("utf-8")
if encode_dict["encoding"] == "gbk" :
s =  unicode(s,"gb18030").encode("utf-8")
if isinstance(s, unicode):
s = s.encode('utf-8')
return s
except:
return s

pinyin_map = dict();

#构造拼音词汇表,因为拼音词汇表格式可能不一样,所以省略
def generate_pinyin_map():
#省略

def generate_synonym_worker( input_file, out_file, idx ):
f = open(input_file+"_"+str(idx), 'r')   
of = open(out_file+"_"+str(idx), 'w+')
of.seek(0, 2)      
idx = 0
for eachline in f:         
idx += 1              
try:
eachline = unicode(eachline,'utf-8')
eachline = eachline[:-1]
words = re.split(u' +', eachline)
pinyin = generate_pinyin_canadiate(words[0], of)
except:
pass  
f.close()
of.close()

#两百个线程
num_worker = 200

#map
def split(input_file):
f = open(input_file, 'r')  
files = []
for idx in range(num_worker):
files.append( open(input_file+"_"+str(idx), 'w') )
idx = 0        
for eachline in f:
idx += 1
files[idx%num_worker].write(eachline)
for onefile in files:
onefile.close()

#reduce
def merge(out_file):
outf = open(out_file, 'w+')  
files = []
for idx in range(num_worker):
file_name = out_file+"_"+str(idx)
f = open(file_name, 'r')              
for eachline in f:         
outf.write(eachline)
f.close()      
outf.close

#产生拼音词汇表
def generate_synonym(input_file, out_file):
split( input_file )
thread_pool = []
for i in range(num_worker):
th = threading.Thread(target=generate_synonym_worker, args=(input_file, out_file ,i) ) ;
thread_pool.append(th)

# start threads one by one        
for i in range(num_worker):
thread_pool.start()

#collect all threads
for i in range(num_worker):
threading.Thread.join(thread_pool)
merge(out_file)   

#枚举所有的拼音组合
def listlist_enumerate(listlist, count):   
result = []     
if count <= 0:
return result
if count == 1:      
for item in listlist[0]:
aa = []
aa.append(item)
result.append(aa)
else:
pre_result = listlist_enumerate(listlist, count-1)  
result = []
for one in pre_result:               
for item in listlist[count-1]:
bb = list(one)                  
bb.append(item)  
result.append( bb )
return result      


def makeutf8(s):
#ESCAPE = re.compile(r'[\x00-\x17\\"\b\f\n\r\t]')
ESCAPE = re.compile(r'[\x00-\x1f]')
ESCAPE_DCT = {}
for i in range(32):
ESCAPE_DCT.setdefault(chr(i), ' ')
#ESCAPE_DCT.setdefault(chr(i), '\\%02x' % (i,))
#ESCAPE_DCT.setdefault(chr(i), '^%c' % (ord('@')+i) )

def replace(match):
return ESCAPE_DCT[match.group(0)]

s = ESCAPE.sub(replace, s)
if isinstance(s, unicode):
s = s.encode('utf-8')        
return s

def generate_pinyin_canadiate(chinese_word,fd):
listlist = []   
for uchar in chinese_word:
if pinyin_map.has_key(uchar) and len(pinyin_map[uchar]):  
listlist.append( pinyin_map[uchar] )  
else:
listlist.append( uchar )
listlist = listlist_enumerate(listlist, len(listlist))         
for alist in listlist:
canadiate = ''.join(alist)      
canadiate = canadiate.lower()
print canadiate
query = ""
try:
query = urllib.urlencode({'wd' : canadiate})
except:
pass
url = 'http://www.baidu.com/s?%s'%(query)
search_results = urllib.urlopen(url).read()
search_results = transcode(search_results)
print url, canadiate #, search_results
r_suggest = re.compile('<a href="s\?wd=(.*)&f=12&oq='%dict(pinyin=canadiate), re.I|re.S)
re_match = r_suggest.findall( search_results )      
if re_match:
try:
s = urllib.unquote(re_match[0])
s= unicode(s,'gb18030')   
fd.write(canadiate + "  " + makeutf8(s) + "\n")
fd.flush()  
if s == chinese_word:
print "one hit: ", canadiate, chinese_word               
#fd.write(canadiate + "  " + makeutf8(chinese_word) + "\n")
fd.flush()            
return canadiate
except:
pass
return None   

def run( input_file, out_file):
generate_pinyin_map( )
generate_synonym( input_file, out_file )

if 1  and __name__ == "__main__":
args = sys.argv[1:]     
if len(args) < 2:
print "USage: ./synonym.py <input_wordlist> <output_file> "
else:
run(args[0], args[1]);

运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-372402-1-1.html 上篇帖子: UltraEdit支持Python语法高亮 下篇帖子: python基础学习笔记分享版(1)
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表