mirror of
https://gitlab.ub.uni-bielefeld.de/sfb1288inf/nlp.git
synced 2024-12-27 12:54:18 +00:00
Initial commit
This commit is contained in:
commit
2a0662bccc
42
Dockerfile
Normal file
42
Dockerfile
Normal file
@ -0,0 +1,42 @@
|
|||||||
|
FROM debian:stretch
|
||||||
|
|
||||||
|
MAINTAINER Patrick Jentsch <p.jentsch@uni-bielefeld.de>
|
||||||
|
|
||||||
|
ENV LANG=C.UTF-8
|
||||||
|
|
||||||
|
RUN apt-get update && \
|
||||||
|
apt-get install -y --no-install-recommends \
|
||||||
|
build-essential \
|
||||||
|
ca-certificates \
|
||||||
|
python2.7 \
|
||||||
|
python3 \
|
||||||
|
python3-dev \
|
||||||
|
python3-pip \
|
||||||
|
python3-setuptools \
|
||||||
|
wget
|
||||||
|
|
||||||
|
WORKDIR /root
|
||||||
|
|
||||||
|
# Install pyFlow
|
||||||
|
ENV PYFLOW_VERSION 1.1.20
|
||||||
|
RUN wget -nv https://github.com/Illumina/pyflow/releases/download/v"$PYFLOW_VERSION"/pyflow-"$PYFLOW_VERSION".tar.gz && \
|
||||||
|
tar -xzf pyflow-"$PYFLOW_VERSION".tar.gz && \
|
||||||
|
rm pyflow-"$PYFLOW_VERSION".tar.gz && \
|
||||||
|
cd pyflow-"$PYFLOW_VERSION" && \
|
||||||
|
python2.7 setup.py build install && \
|
||||||
|
cd ..
|
||||||
|
|
||||||
|
# Install spaCy
|
||||||
|
RUN pip3 install wheel && pip3 install -U spacy && \
|
||||||
|
python3 -m spacy download de && \
|
||||||
|
python3 -m spacy download en && \
|
||||||
|
python3 -m spacy download es && \
|
||||||
|
python3 -m spacy download fr && \
|
||||||
|
python3 -m spacy download pt
|
||||||
|
|
||||||
|
RUN mkdir files_for_nlp files_from_nlp
|
||||||
|
|
||||||
|
COPY nlp /usr/local/bin
|
||||||
|
COPY spacy_nlp /usr/local/bin
|
||||||
|
|
||||||
|
CMD ["/bin/bash"]
|
117
nlp
Executable file
117
nlp
Executable file
@ -0,0 +1,117 @@
|
|||||||
|
#!/usr/bin/env python2.7
|
||||||
|
# coding=utf-8
|
||||||
|
|
||||||
|
"""
|
||||||
|
nlp
|
||||||
|
|
||||||
|
Usage: For usage instructions run with option --help
|
||||||
|
Author: Patrick Jentsch <p.jentsch@uni-bielefeld.de>
|
||||||
|
"""
|
||||||
|
|
||||||
|
|
||||||
|
import argparse
|
||||||
|
import multiprocessing
|
||||||
|
import os
|
||||||
|
import sys
|
||||||
|
from pyflow import WorkflowRunner
|
||||||
|
|
||||||
|
|
||||||
|
def parse_arguments():
|
||||||
|
parser = argparse.ArgumentParser(
|
||||||
|
"Performs NLP of documents utilizing spaCy. \
|
||||||
|
Output is .vrt."
|
||||||
|
)
|
||||||
|
|
||||||
|
parser.add_argument("-i",
|
||||||
|
dest="inputDir",
|
||||||
|
help="Input directory.",
|
||||||
|
required=True)
|
||||||
|
parser.add_argument("-l",
|
||||||
|
dest='lang',
|
||||||
|
help="Language for NLP",
|
||||||
|
required=True)
|
||||||
|
parser.add_argument("-o",
|
||||||
|
dest="outputDir",
|
||||||
|
help="Output directory.",
|
||||||
|
required=True)
|
||||||
|
parser.add_argument("--nCores",
|
||||||
|
default=multiprocessing.cpu_count(),
|
||||||
|
dest="nCores",
|
||||||
|
help="Total number of cores available.",
|
||||||
|
required=False,
|
||||||
|
type=int)
|
||||||
|
return parser.parse_args()
|
||||||
|
|
||||||
|
|
||||||
|
class NLPWorkflow(WorkflowRunner):
|
||||||
|
def __init__(self, jobs, lang, nCores):
|
||||||
|
self.jobs = jobs
|
||||||
|
self.lang = lang
|
||||||
|
self.nCores = nCores
|
||||||
|
|
||||||
|
|
||||||
|
def workflow(self):
|
||||||
|
###
|
||||||
|
# Task "mkdir_job": create output directories
|
||||||
|
# Dependencies: None
|
||||||
|
###
|
||||||
|
mkdir_jobs = []
|
||||||
|
mkdir_job_number = 0
|
||||||
|
for job in self.jobs:
|
||||||
|
mkdir_job_number += 1
|
||||||
|
cmd = 'mkdir -p "%s"' % (
|
||||||
|
job["output_dir"]
|
||||||
|
)
|
||||||
|
mkdir_jobs.append(self.addTask(label="mkdir_job_-_%i" % (mkdir_job_number), command=cmd))
|
||||||
|
|
||||||
|
###
|
||||||
|
# Task "spacy_nlp_job": perform NLP
|
||||||
|
# Dependencies: mkdir_jobs
|
||||||
|
###
|
||||||
|
self.waitForTasks()
|
||||||
|
nlp_jobs = []
|
||||||
|
nlp_job_number = 0
|
||||||
|
for job in self.jobs:
|
||||||
|
nlp_job_number += 1
|
||||||
|
cmd = 'spacy_nlp -i "%s" -o "%s" -l "%s"' % (
|
||||||
|
job["path"],
|
||||||
|
os.path.join(job["output_dir"], os.path.basename(job["path"]).rsplit(".", 1)[0] + ".vrt"),
|
||||||
|
self.lang
|
||||||
|
)
|
||||||
|
nlp_jobs.append(self.addTask(label="nlp_job_-_%i" % (nlp_job_number), command=cmd, dependencies=mkdir_jobs))
|
||||||
|
|
||||||
|
|
||||||
|
def analyze_jobs(inputDir, outputDir, level=1):
|
||||||
|
jobs = []
|
||||||
|
|
||||||
|
if level > 2:
|
||||||
|
return jobs
|
||||||
|
|
||||||
|
for file in os.listdir(inputDir):
|
||||||
|
if os.path.isdir(os.path.join(inputDir, file)):
|
||||||
|
jobs += analyze_jobs(
|
||||||
|
os.path.join(inputDir, file),
|
||||||
|
os.path.join(outputDir, file),
|
||||||
|
level + 1
|
||||||
|
)
|
||||||
|
elif file.endswith(".txt"):
|
||||||
|
jobs.append({"path": os.path.join(inputDir, file), "output_dir": os.path.join(outputDir, file.rsplit(".", 1)[0])})
|
||||||
|
|
||||||
|
return jobs
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
args = parse_arguments()
|
||||||
|
|
||||||
|
wflow = NLPWorkflow(
|
||||||
|
analyze_jobs(args.inputDir, args.outputDir),
|
||||||
|
args.lang,
|
||||||
|
args.nCores
|
||||||
|
)
|
||||||
|
|
||||||
|
retval = wflow.run(nCores=args.nCores)
|
||||||
|
sys.exit(retval)
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
main()
|
59
spacy_nlp
Executable file
59
spacy_nlp
Executable file
@ -0,0 +1,59 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
# coding=utf-8
|
||||||
|
|
||||||
|
|
||||||
|
import argparse
|
||||||
|
import os
|
||||||
|
import spacy
|
||||||
|
|
||||||
|
|
||||||
|
parser = argparse.ArgumentParser(description="Tag a .txt file with spaCy and \
|
||||||
|
save it in .vrt format")
|
||||||
|
parser.add_argument("-i",
|
||||||
|
dest="input",
|
||||||
|
help="Input file.",
|
||||||
|
required=True)
|
||||||
|
parser.add_argument("-l",
|
||||||
|
choices=["de", "en", "es", "fr", "pt"],
|
||||||
|
dest="lang",
|
||||||
|
help="Language for tagging",
|
||||||
|
required=True)
|
||||||
|
parser.add_argument("-o",
|
||||||
|
dest="output",
|
||||||
|
help="Output file.",
|
||||||
|
required=True)
|
||||||
|
args = parser.parse_args()
|
||||||
|
|
||||||
|
|
||||||
|
SPACY_MODELS = {"de": "de_core_news_sm", "en": "en_core_web_sm",
|
||||||
|
"es": "es_core_news_sm", "fr": "fr_core_news_sm",
|
||||||
|
"pt": "pt_core_news_sm"}
|
||||||
|
|
||||||
|
|
||||||
|
# Set the language model for spacy
|
||||||
|
nlp = spacy.load(SPACY_MODELS[args.lang])
|
||||||
|
|
||||||
|
# Read text from the input file
|
||||||
|
with open(args.input) as input_file:
|
||||||
|
text = input_file.read()
|
||||||
|
|
||||||
|
# Run spacy nlp over the text
|
||||||
|
doc = nlp(text)
|
||||||
|
|
||||||
|
# Create and open the output file
|
||||||
|
output_file = open(args.output, "w+")
|
||||||
|
output_file.write('<?xml version="1.0" encoding="UTF-8"?>\n<corpus>\n<text id="' + args.input.rsplit(".", 1)[0] + '">\n')
|
||||||
|
for sent in doc.sents:
|
||||||
|
output_file.write('<s>\n')
|
||||||
|
for token in sent:
|
||||||
|
# Skip whitespace tokens like "\n" or "\t"
|
||||||
|
if token.text.isspace():
|
||||||
|
continue
|
||||||
|
# Write all information in .vrt style to the output file
|
||||||
|
# text, lemma, simple_pos, pos, ner
|
||||||
|
output_file.write(token.text + "\t" + token.lemma_ + "\t"
|
||||||
|
+ token.pos_ + "\t" + token.tag_ + "\t"
|
||||||
|
+ (token.ent_type_ if token.ent_type_ != "" else "NULL") + "\n")
|
||||||
|
output_file.write('</s>\n')
|
||||||
|
output_file.write('</text>\n</corpus>')
|
||||||
|
output_file.close()
|
Loading…
Reference in New Issue
Block a user