Попытка заставить libmecab.dll (MeCab) работать с C # - PullRequest
Новая
       21

Попытка заставить libmecab.dll (MeCab) работать с C #

2 голосов
/ 16 июня 2011

Я пытаюсь использовать японский морфологический анализатор MeCab в программе на C # (Visual Studio 2010 Express, Windows 7), и что-то не так с кодировкой.Если мой ввод (вставленный в текстовое поле) будет таким: 

一方、広義の「ネコ」は、ネコ類（ネコ科動物）の一部、あるいはその全ての獣を指す包括的名称を指す。

Тогда мой вывод (в другом текстовом поле) будет выглядеть так: 

?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
(   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
)   åè©ž,サ変接続,*,*,*,*,*
?   åè©ž,サ変接続,*,*,*,*,*
?????????????????????????   åè©ž,サ変接続,*,*,*,*,*
EOS

Я бы предположил, что это текст в некоторыхдругая кодировка ошибочно принимается за текст в кодировке UTF-8.Но если предположить, что это EUC-JP и использовать Encoding.Convert для преобразования его в UTF-8, это не изменит выходных данных;Предполагая, что это Shift-JIS и делая то же самое, мы получаем разную тарабарщину.Кроме того, хотя он определенно обрабатывает текст - именно так должен форматироваться вывод MeCab - он также не интерпретирует ввод как UTF-8.Если бы это было так, в выводе не было бы всех идентичных строк, начинающихся с односимвольных «соединений», которые он явно не мог бы идентифицировать.

Я получаю еще один по-другому выглядящий набор тарабарщиныкогда я запускаю предложение через командную строку MeCab.Но, опять же, это просто ряд одиночных вопросительных знаков и скобок, идущих вниз по левому краю, поэтому проблема не только в том, что командная строка Windows не поддерживает шрифты с японскими символами;опять же, он просто не читает ввод как UTF-8.(Я установил MeCab в режиме UTF-8.)

Соответствующие части кода выглядят следующим образом: 

[DllImport("libmecab.dll", CallingConvention = CallingConvention.Cdecl)]
private extern static IntPtr mecab_new2(string arg);
[DllImport("libmecab.dll", CallingConvention = CallingConvention.Cdecl)]
[return: MarshalAs(UnmanagedType.AnsiBStr)]
private extern static string mecab_sparse_tostr(IntPtr m, string str);
[DllImport("libmecab.dll", CallingConvention = CallingConvention.Cdecl)]
private extern static void mecab_destroy(IntPtr m);

private string meCabParse(string jpnText)
{
    IntPtr mecab = mecab_new2("");
    string parsedText = mecab_sparse_tostr(mecab, jpnText);

    mecab_destroy(mecab);
    return parsedText;
}

(С точки зрения возни с правдоподобными вещами, чтобы увидеть,они имеют значение, я попытался переключить «UnmanagedType.AnsiBStr» на «UnmanagedType.BStr», который выдает ошибку «AccessViolationException is nothandled», и добавив «CharSet = CharSet.Unicode» к параметрам DllImport, который превратил выводв "EOS".)

Вот как я делал преобразование: 

// 65001 = UTF-8 codepage, 20932 = EUC-JP codepage
private string convertEncoding(string sourceString, int sourceCodepage, int targetCodepage)
{
    Encoding sourceEncoding = Encoding.GetEncoding(sourceCodepage); 
    Encoding targetEncoding = Encoding.GetEncoding(targetCodepage);

    // convert source string into byte array
    byte[] sourceBytes = sourceEncoding.GetBytes(sourceString);

    // convert those bytes into target encoding
    byte[] targetBytes = Encoding.Convert(sourceEncoding, targetEncoding, sourceBytes);

    // byte array to char array
    char[] targetChars = new char[targetEncoding.GetCharCount(targetBytes, 0, targetBytes.Length)];

    //char array to targt-encoded string
    targetEncoding.GetChars(targetBytes, 0, targetBytes.Length, targetChars, 0);
    string targetString = new string(targetChars);

    return targetString;
}

private string meCabParse(string jpnText)
{
    // convert the text from the string from UTF-8 to EUC-JP
    jpnText = convertEncoding(jpnText, 65001, 20932);

    IntPtr mecab = mecab_new2("");
    string parsedText = mecab_sparse_tostr(mecab, jpnText);

    // annnd convert back to UTF-8
    parsedText = convertEncoding(parsedText, 20932, 65001);

    mecab_destroy(mecab);
}

Предложения / насмешки?

1 Ответ

2 голосов
/ 20 июня 2011

Я наткнулся на эту тему в поисках способа сделать то же самое. Я использовал ваш код в качестве отправной точки и этого сообщения в блоге , чтобы выяснить, как упорядочить строки UTF8.

Следующий код дает мне правильно закодированный вывод: 

public class Mecab
{
    [DllImport("libmecab.dll", CallingConvention = CallingConvention.Cdecl, CharSet=CharSet.Unicode)]
    private extern static IntPtr mecab_new2(string arg);
    [DllImport("libmecab.dll", CallingConvention = CallingConvention.Cdecl, CharSet = CharSet.Unicode)]
    private extern static IntPtr mecab_sparse_tostr(IntPtr m, byte[] str);
    [DllImport("libmecab.dll", CallingConvention = CallingConvention.Cdecl, CharSet = CharSet.Unicode)]
    private extern static void mecab_destroy(IntPtr m);

    public static String Parse(String input)
    {
        IntPtr mecab = mecab_new2("");
        IntPtr nativeStr = mecab_sparse_tostr(mecab, Encoding.UTF8.GetBytes(input));
        int size = nativeArraySize(nativeStr) - 1;
        byte[] data = new byte[size];
        Marshal.Copy(nativeStr, data, 0, size);

        mecab_destroy(mecab);

        return Encoding.UTF8.GetString(data);
    }

    private static int nativeArraySize(IntPtr ptr)
    {
        int size = 0;
        while (Marshal.ReadByte(ptr, size) > 0)
            size++;

        return size;
    }
}
...