Обнаружить, скорее всего, слова из текста без пробелов/комбинированных слов

Ответ 1

Здесь представлено решение динамического программирования (реализовано как memoized функция). Учитывая словарь слов с их частотами, он разбивает входной текст на позиции, которые дают общую наиболее вероятную фразу. Вам нужно будет найти реальный список слов, но я включил некоторые настроенные частоты для простого теста.

WORD_FREQUENCIES = {
    'file': 0.00123,
    'files': 0.00124,
    'save': 0.002,
    'ave': 0.00001,
    'as': 0.00555
}

def split_text(text, word_frequencies, cache):
    if text in cache:
        return cache[text]
    if not text:
        return 1, []
    best_freq, best_split = 0, []
    for i in xrange(1, len(text) + 1):
        word, remainder = text[:i], text[i:]
        freq = word_frequencies.get(word, None)
        if freq:
            remainder_freq, remainder = split_text(
                    remainder, word_frequencies, cache)
            freq *= remainder_freq
            if freq > best_freq:
                best_freq = freq
                best_split = [word] + remainder
    cache[text] = (best_freq, best_split)
    return cache[text]

print split_text('filesaveas', WORD_FREQUENCIES, {})

--> (1.3653e-08, ['file', 'save', 'as'])

Ответ 2

Я не знаю ни одной библиотеки для нее, но не сложно реализовать основные функции.

• Получить список слов, например UNIX words.
• Настройте содержимое своего списка слов в trie.
• Возьмите строку, которую хотите разбить, и следуйте ее пути в trie. Каждый раз, когда вы достигаете действительного слова, создайте новую ветку, которая ищет слово, начинающееся с точки, в которой вы столкнулись. Как только вы закончите свою текущую ветку, вернитесь к той, которую вы создали, как в глубине первого поиска.
• Разбить получаемые списки вручную, используя эвристику или через парсер естественного языка.

Пример:

• Слово: "filesaveasstring"
• Первое действующее слово - "файл". Попробуйте сопоставить "saveas". Первое действующее слово - "сохранить". Попробуйте сопоставить "asstring". Первое действительное слово - "как". Попробуйте сопоставить "string". Первое действительное слово - "строка". Согласовано до конца; поместите [файл сохранить как строку] в список результатов.
• Backtrack для соответствия "string" - никаких других возможностей. Откат к "asstring". Первое неиспользуемое действительное слово - "задница". Попробуйте выполнить "tring". Нет возможных совпадений. Откат к "asstring". Нет возможных совпадений. Возвратитесь к "filesaveasstring" .
• Первый непосещенный матч - это "файлы". Попробуйте сопоставить "aveasstring". Первый матч - "ave". Попробуйте сопоставить "asstring" (то же, что и шаги 2/3), добавив [файлы ave в виде строки] в список результатов и вернуться к началу.
• Попробуйте сопоставить "filesaveasstring" . Нет приглашенных матчей. Готово.
• Выберите наиболее вероятный вариант из [[сохранение файла как строки] [файлы ave в виде строки]] с помощью эвристического или парсера естественного языка.

Ответ 3

Попросите людей решить их как капчу на вашем сайте:)

Ответ 4

Я не знаю библиотеку, которая делает это, но писать ее не так сложно, если у вас есть список слов:

wordList = file('words.txt','r').read().split()
words = set( s.lower() for s in wordList )

def splitString(s):
    found = []

    def rec(stringLeft, wordsSoFar):
        if not stringLeft:
            found.append(wordsSoFar)
        for pos in xrange(1, len(stringLeft)+1):
            if stringLeft[:pos] in words:
                rec(stringLeft[pos:], wordsSoFar + [stringLeft[:pos]])

    rec(s.lower(), [])
    return found

Это вернет все возможные способы разделения строки на указанные слова.

Пример:

>>> splitString('filesaveas')
[['file', 'save', 'as'], ['files', 'ave', 'as']]

Ответ 5

Если вы не делаете это для удовольствия, но на самом деле делаете что-то для работы и т.д., мой совет - решить это в источнике. Почему у вас эти комбинации объединены? Откуда у вас эти струны? Если это возможно, вставьте пробелы в источник, откуда происходят эти строки.

Ответ 6

Я знаю, что этот вопрос отмечен для Python, но мне нужна была реализация JavaScript. Исходя из предыдущих ответов, я решил, что поделюсь своим кодом. Кажется, работает прилично.

function findWords(input){
    input = input.toLowerCase().replace(/\s/g, ""); //Strip whitespace

    var index = 0;
    var validWords = [];
    for (var len = input.length; len > 0; len--){ //Go backwards as to favor longer words
        var testWord = input.substr(index, len);
        var dictIndex = _dictionary.indexOf(testWord.replace(/[^a-z\']/g, "")); //Remove non-letters
        if (dictIndex != -1){
            validWords.push(testWord);
            if (len == input.length){
                break; //We are complete
            }
            var nextWords = findWords(input.substr(len, input.length - len)); //Recurse
            if (!nextWords.words.length){ //No further valid words
                validWords.pop();
            }
            validWords = validWords.concat(nextWords.words);
            if (nextWords.complete === true){
                break; //Cascade complete
            }
        }
    }
    return {
        complete:len > 0, //We broke which indicates completion
        words:validWords
    };
}

Примечание. Ожидается, что "_dictionary" будет массивом слов, отсортированных по частоте. Я использую список слов из Project Gutenberg.