読者です 読者をやめる 読者になる 読者になる

Yahoo!Japanのテキスト形態素解析Webサービス

ruby 文章生成

ある単語をGoogle検索し、検出頻度から関連語を抽出するというものです。本当に関係しているかは無根拠。形態素解析器としてChasenMecab等を導入するのは億劫だったのでYahoo!のテキスト解析サービスを利用させてもらってます。一日50000件は多すぎず、少なすぎずといった感じですね。

# relative_word.rb
#
require 'rubygems'
require 'hpricot'
require 'open-uri'
require 'rexml/document'
require 'kconv'

Appid = 'Yahoo!から割り当てられたアプリケーションID'
Uri   = 'http://api.jlp.yahoo.co.jp/MAService/V1/parse'
Google_API = "http://www.google.co.jp/search?num=20&lr=lang_ja&oe=utf-8&q=" # 日本語で20件検索

def analyse_text(uri)
	result = Hpricot( open(uri).read )

	analysed_xml = Array.new
	
	(result/:a).remove	 # 関連やページといった単語が引っかかるので、aタグは消去
	(result/"span.a").remove # ドメインとか載っているところも余計
	(result/"div.std").each {|text|
		analysed_xml << REXML::Document.new( open("#{Uri}?appid=#{Appid}&result=ma&sentence="+URI.encode(text.inner_text.toutf8)) )
	}
	
	noun_array = Array.new
	analysed_xml.each {|xml|
		xml.elements['/ResultSet/ma_result/word_list/'].each {|word|
			noun_array << word.elements['surface'].text if word.elements['pos'].text.tosjis == "名詞".tosjis
		}
	}
	
	noun_array
end

search_word = ARGV.shift
uri	= Google_API + URI.encode(search_word)

h = Hash.new(0)
# 単語の検出回数を調べる
analyse_text(uri).each do |noun|
	h[noun] += 1
end

# 5個以上検出したら表示(個数は無根拠)、検索語は検出しない
h.each do |noun, value|
	print noun.tosjis, " => ", value, "\n" if value > 5 && noun.tosjis != search_word .tosjis
end

ruby relative_word.rb
放送 => 6
アニメ => 7
ルルーシュ => 15
2 => 7
反逆 => 15

Googleで検索、Yahoo!で解析という流れなので遅い遅い(あくまでRubyのせいにはしない)。つうかこれ本当に効果あるのかな?でも、コードギアスで調べて、アニメやルルーシュといった単語が出るのは嬉しいな。