检测文本是否为非英语

时间:2017-03-07 00:23:25

标签: php python text nlp language-detection

检测文本(特别是Instagram评论)是非英语的最准确方法是什么?我很乐意使用任何高级语言,例如Python,PHP等。

$ sudo pip2 install guess_language
>>> from guess_language import guessLanguage
>>> guessLanguage('la vita e bella')
'UNKNOWN'
>>> guessLanguage('today is a good day')
'UNKNOWN'
>>> guessLanguage('ボウリング・フォー・コロンバイン(字幕版)')
'ja'

$ sudo apt-get install php5.6-mbstring

      if(strlen($comment->text) == mb_strlen($comment->text, 'utf-8')) {
         echo '- '.$comment->text."\n";
    }

我得到许多不是英文的英文字符: 示例:

- Khoda be khanevadehashon sabr bede tahamol konan
- Akhey...
- Eshghi
- K
- :-)
- Ey khodaa
- ...
- @samaneaghazamani1990 vaaaaay khoda chejoori payam dadan?
- :(
- Elahiiiii
- May Allah please with them and grant higher rank of jannah salutes to the  bravehearts @taraneh_alidoosti @fanpagemostafazamani
- Elaaaahiii
- Roohetoon shad.
- :'(
- Roheshon shad!! Yadeshon gerami!!
- .:'(
- :-(
- Oooo
- Awli

我不想使用谷歌翻译之类的东西,因为我正在处理大量数据。

更新

$ sudo pip2 install langdetect
>>> from langdetect import detect
>>> detect("War doesn't show who's right, just who's left.")
'en'
>>> detect("today is a good day.")
'so'
>>> detect("la vita e bella!")
'it'
>>> detect("khoobi? khoshi?")
'so'
>>> detect("wow")
'pl'
>>> detect("what a day")
'en'
>>> detect("yay!")
'so'

'所以'指未知?我期待today is a good day被视为en

2 个答案:

答案 0 :(得分:5)

您可以使用ployglot软件包的语言检测功能。

>>> from polyglot.detect import Detector
>>> print(Detector('today is a good day.').language)
name: English     code: en       confidence:  95.0 read bytes:  1792

答案 1 :(得分:-4)

我建议您使用拼写检查程序。如果单词不属于某种语言,它将返回拼写错误。用它来确定单词是否为英语。 这是一个开源拼写检查程序:http://aspell.net/

每个操作系统都内置了拼写检查。您也可以使用它们。