Uma interface para acessar o analisador morfológico e o corretor gramatical do CoGrOO em Python.
- interpretador Python 3.x
- Java Runtime Environment (Testado nas versões 8, 11 e 17)
Instale usando o pip:
pip install cogroo4py
É necessário que o executável java
esteja definido em seu path
Em uma IDE Python de sua preferência (ex. IPython, Spyder), importe e instancie a classe Cogroo.
from cogroo4py.cogroo import Cogroo
cogroo = Cogroo()
Agora você já pode usar os recursos do CoGrOO. Esta interface disponibiliza métodos para retornar uma análise morfológica completa de um documento, lematizar, identificar partes do discurso, dividir em chunks e verificar erros gramaticais.
A lematização consiste em obter o lema das palavras de um texto. O lema é uma versão da palavra que representa todas as suas flexões. Os verbos são alterados para o infinitivo e substantivos e adjetivos são flexionados para o masculino do singular.
[estava, estaria, estive, estarei, estar] => estar
[fui, vou, irei, iremos] => ir
[gato, gatinho, gatão, gata, gatos] => gato
A lematização é uma alternativa ao stemming, um algoritmo que tenta detectar sufixos e removê-los com base nas regras comuns da língua, mas que falha em tratar exceções. A lematização, diferentemente do stemming, usa um dicionário morfológico para encontrar o radical das palavras.
cogroo.lemmatize('Estas laranjas estão deliciosas.')
# este laranja estar delicioso.
A análise morfológica consiste em identificar a classe gramatical das palavras de um texto. As classes possíveis são: substantivos, adjetivos, artigos, pronomes, numeral, verbo, advérbio, preposição, conjunção e interjeição.
O método de análise morfológica do CoGrOO usa etiquetas (tags) específicas para cada caso, que podem ser difíceis de entender em um primeiro momento. O dicionário pos_tags da classe Cogroo permite traduzir as etiquetas geradas pelo CoGrOO para um formato legível em português:
pos_tags = {
"n": "substantivo",
"prop": "nome próprio",
"art": "artigo",
"pron": "pronome",
"pron-pers": "pronome pessoal",
"pron-det": "pronome determinativo",
"pron-indp": "substantivo/pron-indp",
"n-adj": "substantivo/adjetivo",
"v": "verbo",
"v-fin": "verbo finitivo",
"v-inf": "verbo infinitivo",
"v-pcp": "verbo particípio",
"v-ger": "verbo gerúndio",
"num": "numeral",
"prp": "preposição",
"adj": "adjetivo",
"conj": "conjunção",
"conj-s": "conjunção subordinativa",
"conj-c": "conjunção coordenativa",
"intj": "interjeição",
"adv": "advérbio",
"xxx": "outro"
}
# pos: "part of speech"
pos = cogroo.pos_tags
pos['n']
# substantivo
No contexto de Processamento de Linguagem Natural as palavras e caracteres de pontuação são normalmente tratados como tokens. O método analyze associa uma das etiquetas acima para cada token de um texto. Também são anotadas algumas features que indicam a flexão das palavras, ex. F=P => feminino, plural.
doc = cogroo.analyze('Estas laranjas estão deliciosas.')
doc.sentences[0].tokens
# [Estas#pron-det F=P,
# laranjas#n F=P,
# estão#v-fin PR=3P=IND,
# deliciosas#adj F=P,
# .#. -]
O corretor gramatical do CoGrOO verifica a colocação pronominal, concordância nominal, concordância entre sujeito e verbo, concordância verbal, uso de crase, regência nominal, regência verbal e outros erros comuns da língua portuguesa escrita. Mais detalhes sobre as regras aplicadas podem ser encontrados em http://comunidade.cogroo.org/rules.
doc = cogroo.grammar_check('Elas são bonita.')
doc.mistakes
# [[xml:124] O adjetivo na função de predicativo concorda com o sujeito.]
Este projeto utiliza o jpype para se comunicar com a Java Native Interface (JNI) e utilizar as classes do Cogroo
Requirements:
- Java (compilado na versão 8, porém os testes unitários rodam entre a versão 8 e 17 do JDK)
- É recomendável utilizar um virtual environment (venv)
- Na raiz do projeto python, execute o comando
pip install -e .[dev]
cd java
mvn package
Este comando irá atualizar o arquivo /python/cogroo4py/jars/Cogroo4PyBridge.jar
cd python/cogroo4py
python generate_stubs.py
Os stubs servirão para o autocomplete das classes Java utilizadas dentro do python
Código fonte e informações sobre o projeto: http://cogroo.sourceforge.net/ https://github.com/cogroo/cogroo4
Demonstração online http://comunidade.cogroo.org/grammar
Dissertação de mestrado sobre o desenvolvimento do CoGrOO 4 http://www.teses.usp.br/teses/disponiveis/45/45134/tde-02052013-135414/pt-br.php