fast langdetect

langdetect

Descripción general

Fast-LangDetect proporciona una detección de lenguaje ultra rápida y altamente precisa basada en FastText, una biblioteca desarrollada por Facebook. Este paquete es 80 veces más rápido que los métodos tradicionales y ofrece una precisión del 95%.

Admite las versiones de Python 3.9 a 3.12.

Apoya el uso fuera de línea.

Este proyecto se basa en zafercavdar/fastText-langDetect con mejoras en el embalaje.

Para obtener más información sobre el modelo FastText subyacente, consulte la documentación oficial: Identificación del lenguaje FastText.

Nota

Esta biblioteca requiere más de 200 MB de memoria para usar en modo de memoria baja.

Instalación

Para instalar Fast-LangDetect, puede usar pip o pdm :

Usando Pip

pip install fast-langdetect

Usando PDM

pdm add fast-langdetect

Uso

Para un rendimiento y precisión óptimos en la detección del lenguaje, use detect(text, low_memory=False) para cargar el modelo más grande.

El modelo se descargará en el directorio /tmp/fasttext-langdetect al primer uso.

API nativa (recomendada)

Nota

Esta función supone que recibirá una sola línea de texto. Debe eliminar n caracteres antes de pasar el texto. Si la muestra es demasiado larga o demasiado corta, la precisión disminuirá (por ejemplo, en el caso de demasiado corto, se predijo chino como japonés).

 from fast_langdetect import detect , detect_multilingual

# Single language detection
print ( detect ( "Hello, world!" ))
# Output: {'lang': 'en', 'score': 0.12450417876243591}

# `use_strict_mode` determines whether the model loading process should enforce strict conditions before using fallback options.
# If `use_strict_mode` is set to True, we will load only the selected model, not the fallback model.
print ( detect ( "Hello, world!" , low_memory = False , use_strict_mode = True ))

# How to deal with multiline text
multiline_text = """
Hello, world!
This is a multiline text.
But we need remove ` n ` characters or it will raise an ValueError.
"""
multiline_text = multiline_text . replace ( " n " , "" )  # NOTE:ITS IMPORTANT TO REMOVE n CHARACTERS
print ( detect ( multiline_text ))
# Output: {'lang': 'en', 'score': 0.8509423136711121}

print ( detect ( "Привет, мир!" )[ "lang" ])
# Output: ru

# Multi-language detection
print ( detect_multilingual ( "Hello, world!你好世界!Привет, мир!" ))
# Output: [{'lang': 'ja', 'score': 0.32009604573249817}, {'lang': 'uk', 'score': 0.27781224250793457}, {'lang': 'zh', 'score': 0.17542070150375366}, {'lang': 'sr', 'score': 0.08751443773508072}, {'lang': 'bg', 'score': 0.05222449079155922}]

# Multi-language detection with low memory mode disabled
print ( detect_multilingual ( "Hello, world!你好世界!Привет, мир!" , low_memory = False ))
# Output: [{'lang': 'ru', 'score': 0.39008623361587524}, {'lang': 'zh', 'score': 0.18235979974269867}, {'lang': 'ja', 'score': 0.08473210036754608}, {'lang': 'sr', 'score': 0.057975586503744125}, {'lang': 'en', 'score': 0.05422825738787651}]

Función Conveniente detect_language

 from fast_langdetect import detect_language

# Single language detection
print ( detect_language ( "Hello, world!" ))
# Output: EN

print ( detect_language ( "Привет, мир!" ))
# Output: RU

print ( detect_language ( "你好，世界！" ))
# Output: ZH

Dividir texto por lenguaje

Para la división del texto en función del lenguaje, consulte el repositorio de Lang Split.

Punto de referencia

Para obtener resultados de referencia detallados, consulte ZafertAvdar/FastText-LangDetect#Benchmark.

Referencias

[1] A. Joulin, E. Grave, P. Bojanowski, T. Mikolov, Bolsa de trucos para una clasificación de texto eficiente

 @article { joulin2016bag ,
  title = { Bag of Tricks for Efficient Text Classification } ,
  author = { Joulin, Armand and Grave, Edouard and Bojanowski, Piotr and Mikolov, Tomas } ,
  journal = { arXiv preprint arXiv:1607.01759 } ,
  year = { 2016 }
}

[2] A. Joulin, E. Grave, P. Bojanowski, M. Douze, H. Jégou, T. Mikolov, FastText.zip: Modelos de clasificación de texto de comprimir

 @article { joulin2016fasttext ,
  title = { FastText.zip: Compressing text classification models } ,
  author = { Joulin, Armand and Grave, Edouard and Bojanowski, Piotr and Douze, Matthijs and J{'e}gou, H{'e}rve and Mikolov, Tomas } ,
  journal = { arXiv preprint arXiv:1612.03651 } ,
  year = { 2016 }
}