言語処理100本ノック 2020「30. 形態素解析結果の読み込み」

問題文

nlp100.github.io

問題の概要

本章では、MeCabを用いて形態素解析した結果を読み込んでいきます。手始めに、以下コマンドでファイルに対して形態素解析を実行しましょう。

mecab < ch04/neko.txt > ch04/neko.txt.mecab

あとは、読み込むファイルの形式に応じてデータを取得します。次の4段階で処理しました。

1. ファイル全体を読み込む
2. 「split('EOS\n')」で、データを分割する
3. 不要な行を「filter」で取り除く
4. 「parse_mecab」関数を適用する

def parse_mecab(block):
    res = []
    for line in block.split('\n'):
        if line == '':
            return res
        (surface, attr) = line.split('\t')
        attr = attr.split(',')
        lineDict = {
            'surface': surface,
            'base': attr[6],
            'pos': attr[0],
            'pos1': attr[1]
        }
        res.append(lineDict)


filename = 'ch04/neko.txt.mecab'
with open(filename, mode='rt', encoding='utf-8') as f:
    blocks = f.read().split('EOS\n')
blocks = list(filter(lambda x: x != '', blocks))
blocks = [parse_mecab(block) for block in blocks]
print(blocks[5])