ChaSen擬似Pythonラッパー

pseudo_chasen_wrapper.py

#coding: utf-8
"""
ChaSenの擬似ラッパー
"""
import subprocess
class UnidicTagger(object):
    '''
    MeCabのTaggerライクなChaSenのTagger 
    
    今のところ unidic+utf-8環境専用
    MeCabバインディングと異なり、pythonライクにfor文とリスト内包表記が使えます。逆にwhile文に未対応。
    シェルを通して無理やりchasenを呼び出し、parseToNodeがジェネレーターを返す仕組みになってます
    基本形や品詞などに直接アクセスできるので公式のMeCabバインディングより少し便利です
    
    使い方:
        main関数のサンプルを見てください
    変数へのアクセス:
        .raw:     ipadic形式のChaSenの出力そのもの
        .surface: 出現形
        .yomi:    ヨミ
        .base:    基本形
        .pos:     品詞('-'区切り)
        .feature: 活用型,活用形
    '''
    def __init__(self, rc_path=None, bin_path=None):
        '''コンストラクタ
        
        引数:
            bin_path: chasenまでのパス
            rc_path: 使用するchasenrcまでのパス
        '''
        #bin_pathが無ければシステムデフォルトのChaSenを使用
        try:
            self._path = bin_path if bin_path else subprocess.check_output(('which chasen'), shell=True).strip()
        #Eclipse環境だとシェルからchasenへのパスを取得できない
        except subprocess.CalledProcessError:
            raise AssertionError, 'Please input chasen binary path'
        #rc_pathが与えられなければデフォルトのchasenrcを使用
        self._option = '-r ' + rc_path if rc_path else ''
        #ipadicと同じ出力フォーマット 出現形/ヨミ/基本形/品詞/活用型/活用形
        self._format = '"%m\\t%y\\t%M\\t%U(%P-)\\t%T \\t%F \\n"'
        self._option += ' -iw -F %s' % self._format
        
    def parseToNode(self, string):
        """与えられた文字列を形態素解析し、MeCabライクなイテレータnodeを返す

        MeCabとは異なり、戻り値はPythonのイテレータなのでwhileで使うときはnode.next()を呼び出す。
        その代わり、MeCabでは不可能であったPythonライクなfor文や内包表記をサポートしています。 
        """
        string = string.strip()
        raws = subprocess.check_output(('echo "%s" | %s %s' %(string, self._path, self._option)), shell=True).strip().split('\n')
        for raw in raws:
            if raw:
                self.node = Node()
                splited = raw.split('\t')
                self.node.raw = raw
                self.node.surface = splited[0]
                self.node.yomi = splited[1]
                self.node.base = splited[2]
                self.node.pos = splited[3]
                self.node.feature = ','.join(splited[4:])
            else:
                continue
            yield self.node

class Node(object):
    """parseToNodeの結果にnode.surfaceなどのようにアクセスしやすくするために、構造体的に使用するオブジェクト"""
    def __init__(self):
        self.raw=''
        self.surface=''
        self.yomi=''
        self.base=''
        self.pos=''
        self.feature=''
    def __str__(self):
        return self.raw
    
if __name__ == '__main__':
    t = UnidicTagger(rc_path='/opt/local/lib/chasen/dic/unidic/chasenrc', bin_path='/opt/local/bin/chasen')
    #pythonライクなfor文
    for node in t.parseToNode('大阪観光したいと思っている'):
        print node.surface, #出現形
        print node.yomi,    #ヨミ 
        print node.base,    #基本形
        print node.pos,     #品詞
        print node.feature  #活用型,活用形
    '''
    >>大阪 オオサカ 大阪 名詞-固有名詞-地名-一般 ,
    >>観光 カンコウ 観光 名詞-普通名詞-サ変可能 ,
    >>し シ する 動詞-非自立可能 サ行変格,連用形-一般
    >>たい タイ たい 助動詞 助動詞-タイ,終止形-一般
    >>と ト と 助詞-格助詞 ,
    >>思っ オモッ 思う 動詞-一般 五段-ワア行-一般,連用形-促音便
    >>て テ て 助詞-接続助詞 ,
    >>いる イル いる 動詞-非自立可能 上一段-ア行,終止形-一般
    '''
    #リスト内包表記にも対応
    bases = [node.base for node in t.parseToNode('大阪観光したいと思っている')]
    '''>>大阪    観光    する    たい    と    思う    て    いる'''
    print '\t'.join(bases)
    
    #インスタンス.base, またはインスタンスそのものを呼び出すとchasenの生の出力
    for node in t.parseToNode('豊橋'):
        print node.raw  #ipadicと同じ出力形式 出現形/ヨミ/基本形/品詞/活用型/活用形
        print node
    '''
    >>豊橋    トヨハシ    豊橋    名詞-固有名詞-地名-一般
    >>豊橋    トヨハシ    豊橋    名詞-固有名詞-地名-一般
    '''