mecab_tokenizer.py

from __future__ import annotations
from typing import NamedTuple
import MeCab
from transformers import PreTrainedTokenizer


class MeCabResult(NamedTuple):
    """MeCab解析結果の型
    """
    hyosokei: str
    hinshi: str


class MeCabTokenizer(PreTrainedTokenizer):
    target_hinshi: list[str] | None
    mecab: MeCab.Tagger

    def __init__(self,
                 hinshi: list[str] | None = None,
                 mecab_dicdir: str | None = None,
                 **kwargs):
        """初期化処理

        Args:
            hinshi (list[str] | None): 抽出する品詞
            mecab_dicdir (str | None, optional): dicrcのあるディレクトリ
        """

        self.target_hinshi = hinshi
        if mecab_dicdir is not None:
            self.mecab = MeCab.Tagger(
                f"-d {mecab_dicdir} -O '' -F '%m,%f[0]\n'")
        else:
            self.mecab = MeCab.Tagger("-O '' -F '%m,%f[0]\n'")

        super().__init__(**kwargs)

    def set_dicdir(self, mecab_dicdir: str):
        self.mecab = MeCab.Tagger(f"-d {mecab_dicdir} -O '' -F '%m,%f[0]\n'")

    def _tokenize(self, text: str) -> list[str]:
        """文章から特定の品詞の単語を返します。

        Args:
            text (str): 文章

        Returns:
            list[str]: 特定の品詞の単語
        """

        out = []
        # Mecabで分析します。
        result_words = self.mecab_analyze(text)
        for result_word in result_words:
            # 最初と最後は空文字
            if result_word.hyosokei == "":
                continue
            if self.target_hinshi is not None:
                if result_word.hinshi in self.target_hinshi:
                    # 特定の品詞のみ返します。
                    out.append(result_word.hyosokei)
                else:
                    continue
            else:
                out.append(result_word.hyosokei)
        return out

    def mecab_analyze(self, text: str) -> list[MeCabResult]:
        """文章をMecabで分析します。

        Args:
            text (str): 文章

        Returns:
            list[MeCabResult]: MeCabの解析結果
        """
        nodes = self.mecab.parse(text).split("\n")
        out = []
        for node in nodes:
            args = node.split(",")
            if args[0] in ["EOS", ""]:
                continue
            mecab_result = MeCabResult(args[0], args[1])
            out.append(mecab_result)
        return out