概要

cabocha-rubyの使い方メモ。

インストール

gem install cabocha

使い方

require "cabocha"
include CaboCha
parser = Parser.new
tree = parser.parse("吾輩は猫である。")

解析済みのcabochaファイルを読み込みたい場合は、たぶん次の方法でできるはず。一文ずつ解析するので、最初のEOSまでしか読み込まない。

> source = File.read("neko.cabocha")
> parser = Parse.new("-I4")
> tree = parser.parse(source)

メソッド

CaboCha::Parser

結果を文字列で取得する場合。

> text = "吾輩は猫である。"
> output = parser.parseToString(text)
> puts output
    吾輩は-D
  猫である。
EOS

文字列はASCII-8BITで返される。エンコーディングを変更するにはString#force_encodingを使う。

> output.encoding
#=> #<Encoding:ASCII-8BIT>
> output.force_encoding "UTF-8"

結果をCaboCha::Treeオブジェクトで取得する場合。

> tree = parser.parse(text)

CaboCha::Tree

センテンス関係

> tree.sentence.force_encoding("UTF-8")
=> "吾輩は猫である。"
> tree.sentence_size
=> 24

チャンク関係

> chunk = tree.chunk(0)
=> #<CaboCha::Chunk:0x007f96b408ee48 @__swigtype__="_p_cabocha_chunk_t">
> tree.chunk_size
#=> 2

トークン関係

> token = tree.token(0)
=> #<CaboCha::Token:0x007f96b407c068 @__swigtype__="_p_cabocha_token_t">
> tree.token_size
#=> 6
> tree.size
#=> 6

解析結果を文字列で取得。定数は次のいずれか。

0: CaboCha::FORMAT_TREE
1: CaboCha::FORMAT_LATTICE
2: CaboCha::FORMAT_TREE_LATTICE
3: CaboCha::FORMAT_XML
4: CaboCha::FORMAT_NONE

> puts tree.toString(FORMAT_TREE)
    吾輩は-D
  猫である。
EOS

出力レイヤーの確認と変更

0: CaboCha::OUTPUT_RAW_SENTENCE
1: CaboCha::OUTPUT_POS
2: CaboCha::OUTPUT_CHUNK
3: CaboCha::OUTPUT_SELECTION
4: CaboCha::OUTPUT_DEP

> tree.output_layer
#=> 4
> tree.set_output_layer(OUTPUT_RAW_SENTENCE)
> puts tree.toString(FORMAT_LATTICE)
吾輩は猫である。

文字コードと品詞セット

値	文字コード	品詞セット
0	`CaboCha::EUC_JP`	`CaboCha::IPA`
1	`CaboCha::CP932`	`CaboCha::JUMAN`
2	`CaboCha::UTF8`	`CaboCha::UNIDIC`
3	`CaboCha::ASCII`

> tree.charset
#=> 2
> tree.posset
#=> 2

削除関係。#clear_chunkはチャンクだけ削除する。#clearは全て削除する。

> tree.clear_chunk
> tree.chunk_size  #=> 0
> tree.token_size  #=> 6
> tree.empty  #=> false

> tree.clear
> tree.chunk_size  #=> 0
> tree.token_size  #=> 
> tree.empty  #=> true

値の設定。設定してもただちに解析結果が変わるわけではないので、何に使うかは不明。

> tree.set_sentence "名前はまだ無い。"
> tree.set_charset EUC_JP
> tree.set_posset IPA

使い方がよく分からないメソッド。

> tree.read
> tree.what

CaboCha::Chunk

チャンク番号、トークン番号はいずれも文頭からの通し番号

#link 係り先チャンク番号
#head_pos 意味的主辞トークン番号
#func_pos 統語的主辞トークン番号
#token_pos チャンク先頭トークン番号

> chunk.link #=> 1
> chunk.head_pos #=> 0
> chunk.func_pos #=> 1
> chunk.token_size #=> 2
> chunk.token_pos #=> 0
> chunk.score #=> 0.0
> chunk.additional_info #=> nil
> chunk.feature_list_size #=> 18
> chunk.feature_list(0).force_encoding("UTF-8") #=> "FCASE:は"

CaboCha::Token

出現形

> token.surface.force_encoding("UTF-8") #=> "吾輩"
> token.normalized_surface.force_encoding("UTF-8") #=> "吾輩"

素性

> token.feature.force_encoding("UTF-8")
=> "代名詞,*,*,*,*,*,ワガハイ,我が輩,吾輩,ワガハイ,吾輩,ワガハイ,混,*,*,*,*,ワガハイ,ワガハイ,ワガハイ,ワガハイ,*,*,0,*,*"
> token.feature_list_size #=> 26
> token.feature_list(0).force_encoding("UTF-8") #=> "代名詞"

その他。

> token.ne #=> nil
> token.additional_info #=> nil
> token.chunk
=> #<CaboCha::Chunk:0x007f96b41036f8 @__swigtype__="_p_cabocha_chunk_t">

#neは固有表現 (named entity) のタグがついてる場合に使う。

> parser = Parser.new("-n1")
> tree = parser.parse("日本")
> token = tree.token(0)
> token.ne
=> "B-LOCATION"