BLOG

将来の夢はおもしろお兄さんです。

はてなキーワード、または Wikipedia のタイ卜ルから MeCab 用の CSV ファイルを生成するマン

データ入手元

Wikipedia

http://dumps.wikimedia.org/jawiki/latest/

jawiki-latest-all-titles-in-ns0

はてなキーワード

http://d.hatena.ne.jp/hatenadiary/20060922/1158908401

keywordlist_furigana.csv

Python スクリプト

create_dic.py
#-*- coding: utf-8 -*-

import re
import csv
import argparse
import htmlentitydefs
import unicodedata
from BeautifulSoup import BeautifulSoup


ignores = [
    ur'^[1-9][0-9]*年(代?の(オリンピックサッカー競技|スポーツ|メジャーリーグベースボール|ワールドシリーズ|航空|野球|バレーボール|美術|建築)|(全米テニス選手権|全米選手権_\(テニス\)|全豪テニス選手権|民主党全国大会|アメリカ合衆国大統領選挙|ウィンブルドン選手権|オーストラレーシアン選手権)|代)?$',
    ur'^([1-9]|1[012])月([1-9]|[12][0-9]|3[01]日)?$',
    ur'^[0-9]+$',
    ur'^.{1,}記号$',
    ur'^.+_\(.+\)$',
    ur'^([a-zA-Z0-9-]+)(\.[a-zA-Z0-9-]+){1,}',
    ur'^[^\w\d]+$',
    ur'[%s]' % ''.join([chr(x) for x in range(0, 32)]),
]
ignore_pattern = re.compile(ur'|'.join(ignores), re.UNICODE)


def arg_parse():
    parser = argparse.ArgumentParser(
        description=u'はてなキーワード, またはWikipediaのタイ卜ルからMeCab用のcsvファイルを生成するマン')
    parser.add_argument(u'--source', choices=(u'hatena', u'wikipedia'),
                        required=True, help=u'inputの取得元')
    parser.add_argument(u'input', type=argparse.FileType(u'r'),
                        help=u'配布元からダウンロードしてきたcsvファイル')
    parser.add_argument(u'output', type=argparse.FileType(u'w+'),
                        help=u'MeCab用に変換したcsvファイルの出力先')
    return parser.parse_args()


def text_normalize(sentence):
    assert isinstance(sentence, unicode)

    # html remove
    sentence = BeautifulSoup(sentence).text

    # remove url
    sentence = re.sub(r'https?(:\/\/[-_.!~*\'()a-zA-Z0-9;\/?:\@&=+\$,%#]+)',
                      u'', sentence)

    # replace html entity
    matches = re.findall(r'(&#(x?)([0-9a-fA-F]+);?)', sentence)
    for match in matches:
        try:
            result = unichr(int(match[2], 16 if match[1] == u'x' else 10))
        except ValueError:
            continue
        else:
            sentence = sentence.replace(match[0], result)

    matches = re.findall(r'(&([a-zA-Z]+);?)', sentence)
    for match in matches:
        try:
            result = htmlentitydefs.name2codepoint[match[1]]
        except KeyError:
            continue
        else:
            sentence = sentence.replace(match[0], unichr(result))

    # replace wave tilde to long
    dashes = [u'\u2013', u'\u2014', u'\u2015', u'\u2053', u'\u2212', u'\u2500',
              u'\u2501', u'\u254C', u'\u254D', u'\u2574', u'\u2576', u'\u2578',
              u'\u257A', u'\u301c', u'\u3030', u'\uff5e']
    for dash in dashes:
        sentence = sentence.replace(dash, u'\u30fc')

    # unitify long repeats
    sentence = re.sub(ur'\u30fc{2,}', u'\u30fc', sentence)

    # NFKC normalization
    sentence = unicodedata.normalize(u'NFKC', sentence)

    # Lower
    sentence = sentence.lower()

    return sentence


def convert_hatena_keyword(input, output):
    csv_writer = csv.writer(output)

    for line in input:
        line = line.decode(u'euc-jp', u'replace')
        keyword = text_normalize(line.split(u'\t')[1].strip())

        if len(keyword) < 2:
            continue
        elif ignore_pattern.match(keyword) is not None:
            continue
        cost = unicode(int(max(-36000, -400 * len(keyword) ** 1.5)))

        csv_writer.writerow([value.encode(u'euc-jp', u'replace') for value in [
            keyword, u'0', u'0', cost, u'名詞', u'一般', u'*', u'*',
            u'*', u'*', keyword, u'*', u'*', u'はてなキーワード', u'']])


def convert_wikipedia_titles(input, output):
    csv_writer = csv.writer(output)

    for line in input:
        keyword = text_normalize(line.decode(u'utf-8', u'replace'))

        if len(keyword) < 2:
            continue
        elif ignore_pattern.match(keyword) is not None:
            continue
        cost = unicode(int(max(-36000, -400 * len(keyword) ** 1.5)))

        csv_writer.writerow([value.encode(u'euc-jp', u'replace') for value in [
            keyword, u'0', u'0', cost, u'名詞', u'一般', u'*', u'*',
            u'*', u'*', keyword, u'*', u'*', u'Wikipedia', u'']])


def main():
    args = arg_parse()
    if args.source == u'hatena':
        convert_hatena_keyword(args.input, args.output)
    elif args.source == u'wikipedia':
        convert_wikipedia_titles(args.input, args.output)


if __name__ == '__main__':
    main()

ごめんなさい

生起コストの計算がちゃんとしてなくてごめんなさい。