45个小众而实用的NLP开源字典和工具
一只小狐狸带你解锁NLP/ML/DL秘籍
随着BERT、ERNIE、XLNet等预训练模型的流行，解决NLP问题时不用上预训练模型似乎总显得自己有点过时。但是这显然是不对的。
众所周知，无论训练还是推理，预训练模型都会消耗大量的算力，且高度依赖GPU计算资源。然而，有很多的NLP问题实际上仅仅靠字典+规则就可以做到够用，那么这时候强行上笨重的模型无异于高射炮打蚊子，性价比是非常低的。
于是小夕就从一个比较疯狂的github repo里为大家精挑细选了45个比较实用的开源小工具和字典，让大家在搭建NLP系统、辅助炼丹的过程中少一些模型和算力的依赖，多一些小而美的代码。
repo地址：
https://github.com/fighting41love/funNLP
注：这是一个非常丧心病狂的repo，里面收录了300多个项目，但是比较鱼龙混杂，要记得多多横向对比哦
来，感受一下m(_ _)m
鬼知道我是怎么把这300个repo看完一遍的
(╯°□°）╯︵ ┻━┻
1. textfilter: 中英文敏感词过滤
repo: observerss/textfilter
>>> f = DFAFilter()
>>> f.add("sexy")
>>> f.filter("hello sexy baby")
hello **** baby敏感词包括政治、脏话等话题词汇。其原理主要是基于词典的查找（项目中的keyword文件），内容很不清真
2. langid：97种语言检测
repo: saffsd/langid.py
pip install langid
>>> import langid>>> langid.classify("This is a test")
('en', -54.41310358047485)3. langdetect：另一个语言检测
地址：https://code.google.com/archive/p/language-detection
pip install langdetect
from langdetect import detectfrom langdetect import detect_langs
s1 = "本篇博客主要介绍两款语言探测工具，用于区分文本到底是什么语言，"s2 = 'We are pleased to introduce today a new technology'print(detect(s1))
print(detect(s2))
print(detect_langs(s3)) # detect_langs()输出探测出的所有语言类型及其所占的比例输出结果如下：注：语言类型主要参考的是ISO 639-1语言编码标准，详见ISO 639-1百度百科
跟上一个语言检测比较，准确率低，效率高。
4. phone 中国手机归属地查询：
repo: ls0f/phone
已集成到 python package cocoNLP中
from phone import Phone
p = Phone()
p.find(18100065143)#return {'phone': '18100065143', 'province': '上海', 'city': '上海', 'zip_code': '200000', 'area_code': '021', 'phone_type': '电信'}支持号段: 13,15,18*,14[5,7],17[0,6,7,8]
记录条数: 360569 (updated:2017年4月)
作者提供了数据phone.dat 方便非python用户Load数据。
5. phone国际手机、电话归属地查询：
repo: AfterShip/phone
npm install phone
import phone from 'phone';
phone('+852 6569-8900'); // return ['+85265698900', 'HKG']
phone('(817) 569-8900'); // return ['+18175698900, 'USA']6. ngender 根据名字判断性别：
repo: observerss/ngender
基于朴素贝叶斯计算的概率
pip install ngender
>>> import ngender>>> ngender.guess('赵本山')
('male', 0.9836229687547046)>>> ngender.guess('宋丹丹')
('female', 0.9759486128949907)7. 抽取email的正则表达式
已集成到 python package cocoNLP中
email_pattern = '^[*#\u4e00-\u9fa5 a-zA-Z0-9_.-]+@[a-zA-Z0-9-]+(\.[a-zA-Z0-9-]+)*\.[a-zA-Z0-9]{2,6}$'emails = re.findall(email_pattern, text, flags=0)8. 抽取phone_number的正则表达式
已集成到 python package cocoNLP中
cellphone_pattern = '^((13[0-9])|(14[0-9])|(15[0-9])|(17[0-9])|(18[0-9]))\d{8}$'phoneNumbers = re.findall(cellphone_pattern, text, flags=0)9. 抽取身份证号的正则表达式
IDCards_pattern = r'^([1-9]\d{5}[12]\d{3}(0[1-9]|1[012])(0[1-9]|[12][0-9]|3[01])\d{3}[0-9xX])$'IDs = re.findall(IDCards_pattern, text, flags=0)10. 人名语料库：
repo: wainshine/Chinese-Names-Corpus
人名抽取功能已加入 python package cocoNLP
中文（现代、古代）名字、日文名字、中文的姓和名、称呼（大姨妈、小姨妈等）、英文->中文名字（李约翰）、成语词典（可用于中文分词、姓名识别）
11. 中文缩写库：
repo: zhangyics/Chinese-abbreviation-dataset
全国人大: 全国/n 人民/n 代表大会/n
中国: 中华人民共和国/ns
女网赛: 女子/n 网球/n 比赛/vn12. 汉语拆字词典：
repo: kfcd/chaizi
漢字 拆法 (一) 拆法 (二) 拆法 (三)
拆 手 斥 扌 斥 才 斥13. 词汇情感值：
repo: rainarch/SentiBridge
山泉水 充沛 0.400704566541 0.370067395878
视野 宽广 0.305762728932 0.325320747491
大峡谷 惊险 0.312137906517 0.37859495728114. 中文词库、停用词、敏感词
repo: dongxiexidian/Chinese
此package的敏感词库分类更细：
反动词库， 敏感词库表统计， 暴恐词库， 民生词库， 色情词库
15. 汉字转拼音：
repo: mozillazg/python-pinyin
文本纠错会用到
16. 中文繁简体互转：
repo: skydark/nstools
17. 英文模拟中文发音引擎
repo: tinyfool/ChineseWithEnglish
say wo i ni
#说：我爱你相当于用英文音标，模拟中文发音。
18. 同义词库、反义词库、否定词库：
repo: guotong1988/chinese_dictionary
19. 中文字符数据
repo: skishore/makemeahanzi
简/繁体汉字笔顺
矢量笔画
20. 无空格英文串分割、抽取单词：
repo: keredson/wordninja
>>> import wordninja>>> wordninja.split('derekanderson')
['derek', 'anderson']>>> wordninja.split('imateapot')
['im', 'a', 'teapot']21. IP地址正则表达式：
(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)\.(25[0-5]|2[0-4]\d|[0-1]\d{2}|[1-9]?\d)22. 腾讯QQ号正则表达式：
[1-9]([0-9]{5,11})23. 国内固话号码正则表达式：
[0-9-()（）]{7,18}24. 用户名正则表达式：
[A-Za-z0-9_\-\u4e00-\u9fa5]+25. g2pC：基于上下文的汉语读音自动标记模块
repo: Kyubyong/g2pC
26. 时间抽取：
已集成到 python package cocoNLP中
在2016年6月7日9:44执行測試，结果如下
Hi，all。下周一下午三点开会
>> 2016-06-13 15:00:00-false
周一开会
>> 2016-06-13 00:00:00-true
下下周一开会
>> 2016-06-20 00:00:00-truejava version：
https://github.com/shinyke/Time-NLP
python version：
https://github.com/zhanzecheng/Time_NLP
27. 快速转化「中文数字」和「阿拉伯数字」
repo: HaveTwoBrush/cn2an
中文、阿拉伯数字互转
中文与阿拉伯数字混合的情况，在开发中
28. 公司名字大全
repo: wainshine/Company-Names-Corpus
29. 古诗词库
repo: panhaiqi/AncientPoetry
更全的古诗词库：
https://github.com/chinese-poetry/chinese-poetry
30. THU整理的词库
repo: http://thuocl.thunlp.org/
已整理到本repo的data文件夹中.
IT词库、财经词库、成语词库、地名词库、历史名人词库、诗词词库、医学词库、饮食词库、法律词库、汽车词库、动物词库31. PDF表格数据提取工具
repo: camelot-dev/camelot
32. 国内电话号码正则匹配（三大运营商+虚拟等）
repo: VincentSit/ChinaMobilePhoneNumberRegex
33.用户名黑名单列表：
repo: marteinn/The-Big-Username-Blacklist
包含了用户名禁用列表，比如：
administrator
administration
autoconfig
autodiscover
broadcasthost
domain
editor
guest
host
hostmaster
info
keybase.txt
localdomain
localhost
master
mail
mail0
mail34. Microsoft多语言数字/单位/如日期时间识别包：
repo: Microsoft/Recognizers-Text
35. chinese-xinhua 中华新华字典数据库及api，包括常用歇后语、成语、词语和汉字
repo: pwxcoo/chinese-xinhua
36. 文档图谱自动生成
repo: liuhuanyong/TextGrapher
TextGrapher - Text Content Grapher based on keyinfo extraction by NLP method。输入一篇文档，将文档进行关键信息提取，进行结构化，并最终组织成图谱组织形式，形成对文章语义信息的图谱化展示
37. 186种语言的数字叫法库
repo: google/UniNum
38. 繁简体转换
repo: berniey/hanziconv
39. 汉字字符特征提取器 (featurizer)，提取汉字的特征（发音特征、字形特征）用做深度学习的特征
repo: howl-anderson/hanzi_char_featurizer
40. 中文缩写数据集
repo: zhangyics/Chinese-abbreviation-dataset
41. 无道词典 - 有道词典的命令行版本，支持英汉互查和在线查询
repo: ChestnutHeng/Wudao-dict
42. 最好的汉字数字(中文数字)-阿拉伯数字转换工具
repo: Wall-ee/chinese2digits
43. LineFlow：面向所有深度学习框架的NLP数据高效加载器
repo: tofunlp/lineflow
44. 将自然语言数字串解析转换为整数和浮点数
repo: jaidevd/numerizer
45. 英文脏话大列表
repo: zacanger/profane-words
可
能
喜
欢
夕小瑶的卖萌屋
关注&星标小夕，带你解锁AI秘籍
内容过于专业，胆小者慎入