python - NLTK 和语言检测

Question

如何使用 NLTK 检测文本是用什么语言编写的？

我见过的例子 use nltk.detect，但是当我在我的 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片段？

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

还是下面的演示文件？

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

Answer 2

这个库也不是来自 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：不要指望它总是能正常工作：

>>> 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

超级晚了，但是，你可以在这里textcat使用分类nltk器。本文讨论了该算法。

它返回ISO 639-3中的国家代码，所以我会用它pycountry来获取全名。

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)