[PYTHON] [PowerShell] Obtenez la lecture de la chaîne de caractères

Ce qui a été fait

> "Natto (non génétiquement modifié)"|Get-ReadingWithSudachi|fl

Line     :Natto (non génétiquement modifié)
Reading  :Natto (Idenshikumakaedenai)
Tokenize :Natto(Natto)/（/gène(Idenshi)/Recombinant(Kumikae)/alors/Absent/）
Markup   : <p><ruby>Natto<rt>Natto</rt></ruby>（<ruby>gène<rt>Idenshi</rt></ruby>
           <ruby>Recombinant<rt>Kumikae</rt></ruby>Ne pas)</p>

code

environnement:

> $PSVersionTable

Name                           Value
----                           -----
PSVersion                      7.0.3
PSEdition                      Core
GitCommitId                    7.0.3
OS                             Microsoft Windows 10.0.18362
Platform                       Win32NT
PSCompatibleVersions           {1.0, 2.0, 3.0, 4.0…}
PSRemotingProtocolVersion      2.3
SerializationVersion           1.1.0.1
WSManStackVersion              3.0

Appelez l'analyse morphologique dans SudachiPy que j'ai écrite plus tôt ([PowerShell] analyse morphologique dans SudachiPy).

function Get-ReadingWithSudachi {
    param (
        [switch]$readingOnly,
        [switch]$ignoreParen
    )
    $ret = New-Object System.Collections.ArrayList
    $tokenizedResults = $input | Invoke-SudachiTokenizer -ignoreParen:$ignoreParen
    foreach ($result in $tokenizedResults) {
        $reading = New-Object System.Text.StringBuilder
        $tokenize = New-Object System.Collections.ArrayList
        $markup = New-Object System.Collections.ArrayList

        foreach ($token in $result.parsed) {

            $tokenSurface = $token.surface
            if ($token.pos -match "symbole|Vide" -or $tokenSurface -match "^([UNE-Vu]|[a-zA-Zａ-ｚＡ-Ｚ]|[0-9０-９]|[\W\s])+$") {
                $tokenReading = $tokenSurface
                $tokenInfo = $tokenSurface
                $tokenMarkup = $tokenSurface
            }
            elseif (-not $token.reading) {
                $tokenReading = $tokenSurface
                $tokenInfo = "$($tokenSurface)(?)"
                $tokenMarkup = $tokenSurface
            }
            else {
                $tokenReading = $token.reading
                $tokenInfo = ($tokenSurface -match "^[Ah-Hmm]+$")?
                    $tokenSurface :
                    "$($tokenSurface)($tokenReading)"
                $tokenMarkup = ($tokenSurface -match "^[Ah-Hmm]+$")?
                    $tokenSurface :
                    "<ruby>{0}<rt>{1}</rt></ruby>" -f $tokenSurface, $tokenReading
            }
            $reading.Append($tokenReading) > $null
            $tokenize.Add($tokenInfo) > $null
            $markup.Add($tokenMarkup) > $null
        }

        $ret.Add([PSCustomObject]@{
            Line = $result.line
            Reading = $reading.ToString()
            Tokenize = $tokenize -join "/"
            Markup = "<p>{0}</p>" -f ($markup -join "")
        }) > $null

    }

    return ($readingOnly)? $ret.reading : $ret
}

balisage html

Parfois, je ne parviens pas à analyser des termes techniques comme celui-ci.

Vous pouvez en vérifier visuellement un ou deux, mais comme ce serait un problème de traiter des centaines de lignes, j'ai ajouté une propriété appelée Markup pour cracher le balisage html.

(cat hogehoge.txt |Get-ReadingWithSudachi).markup|Out-File hogehoge.html

Je crois que si vous le convertissez en html comme décrit ci-dessus et que vous le vérifiez avec un navigateur, les oublis seront réduits dans une certaine mesure.