トップページ ▶ 人工知能，実世界DB ▶ 日本語処理，言語処理 ▶ Web ページのダウンロード，単語に切り分け，形態素解析（Python, Mecab, BeautifulSoap を使用）

サイトマップ

サイト内検索

用語集

アクセスログ

金子邦彦研究室

Web ページのダウンロード，単語に切り分け，形態素解析（Python, Mecab, BeautifulSoap を使用）

前準備

Python のインストール，pip と setuptools の更新，Python 開発環境

• Windows での Python のインストール，pip と setuptools の更新: 別ページで説明している．（あとのトラブルが起きにくいような手順を定めている）
• Ubuntu の場合:

  システム Python を使うことができる（その場合，Python のインストールは行わない）

  システム Python を用いるときは，pip, setuptools の更新は次のコマンドで行う．

  sudo apt -y update
  sudo apt -y install python3-pip python3-setuptools
  

  Ubuntu で，システム Python 以外の Python をインストールしたい場合は pyenv が便利である: 別ページで説明している．

Python の URL: http://www.python.org/

MeCab のインストール

辞書の文字コードは UTF-8 を選ぶ．

• Windows での MeCab のインストール: 別ページで説明している．
• Ubuntu での MeCab のインストール: 別ページで説明している．

python の mecab, bs4 のインストール

• Windows

  Windows では，コマンドプロン プトを管理者として実行する．

  次のコマンドを実行

  python -m pip install mecab bs4
  

• Ubuntu

  sudo pip3 install mecab bs4
  

日本語文書からの単語の切り出し，品詞の判定

1. Jupyter Qt Console を起動

   jupyter qtconsole
   

   Python プログラムを動かして，結果をビジュアルに見たい．

   ここでは，Jupyter Qt Console を使っている． 他の開発環境（Spyder，PyCharm，PyScripter など）も便利である．

   ここから先は，Jupyter Qt Console の画面で説明する．

2. プログラムの実行

   日本語の文章から，単語を切り出し，品詞を自動判定する Python プログラム

   import sys
   import MeCab
   m = MeCab.Tagger("-Ochasen")
   print(m.parse ("日本国民は、正当に選挙された国会における代表者を通じて行動し"))
   

Web ページのダウンロードと単語の切り出し

1. Web ページのダウンロード

   URL を指定して，Web ページをダウンロード．そして，確認表示を行う Python プログラム．

   import urllib.request
   r =  urllib.request.urlopen('https://www.kkaneko.jp')
   html = r.read()
   print(html.decode())
   
2. HTML タグの除去

   いまダウンロードした Web ページについて，BeautifulSoap を用いて，HTML タグを取り除く Python プログラム．テキストと JavaScript が残る．

   from bs4 import BeautifulSoup
   soup = BeautifulSoup(html,'html5lib')
   t = soup.get_text()
   print(t) 
   
3. プログラムの実行

   いまダウンロードした日本語の Web ページについて，MeCab を用いて，単語を切り出す Python プログラム

   import sys
   import MeCab
   m = MeCab.Tagger("-Ochasen")
   a = m.parse(t)
   words = [i.split()[0] for i in a.splitlines()]
   print(words)