Return all possible ways to cut(tokenize) Thai text.

multicut.py

import re
from collections import defaultdict
from marisa_trie import Trie

wordlist = [li.strip() for li in open('wordlist.txt')]
trie = Trie(wordlist)   # สร้างครั้งเดียว ข้างนอก function

class LatticeString(str):
    ''' String subclass เพื่อเก็บวิธีตัดหลายๆ วิธี
    '''
    def __new__(cls, value, multi=None, in_dict=True): 
        return str.__new__(cls, value)
    
    def __init__(self, value, multi=None, in_dict=True):
        self.unique = True
        if multi:
            self.multi = list(multi)
            if len(self.multi) > 1:
                self.unique = False
        else:
            self.multi = [value]
        self.in_dict = in_dict   # บอกว่าเป็นคำมีในดิกหรือเปล่า
        
pat_eng = re.compile(r'''(?x)
[-a-zA-Z]+|   # english
\d[\d,\.]*|   # number
[ \t]+|       # space
\r?\n         # newline
''')

def multicut(text):
    ''' ส่งคืน LatticeString คืนมาเป็นก้อนๆ 
    ''' 
    words_at = defaultdict(list)  # main data structure
    
    def serialize(p, p2):    # helper function
        for w in words_at[p]:
            p_ = p + len(w)
            if p_== p2:
                yield w
            elif p_ < p2:
                for path in serialize(p_, p2):
                    yield w+'/'+path
                    
    q = {0}
    last_p = 0   # last position for yield
    while min(q) < len(text):
        p = min(q)
        q -= {p}  # q.pop, but for set
        
        for w in trie.prefixes(text[p:]):
            words_at[p].append(w)
            q.add(p+len(w))   
            
        if len(q)==1:
            q0 = min(q)
            yield LatticeString(text[last_p:q0], serialize(last_p, q0))
            last_p = q0
            
        # กรณี len(q) == 0  คือ ไม่มีใน dict
        if len(q)==0:
            m = pat_eng.match(text[p:])
            if m: # อังกฤษ, เลข, ว่าง
                i = p + m.span()[1]
            else: # skip น้อยที่สุด ที่เป็นไปได้
                for i in range(p, len(text)):
                    ww = trie.prefixes(text[i:])
                    m = pat_eng.match(text[i:])
                    if ww or m:
                        break
                else:
                    i = len(text)
            w = text[p:i]
            words_at[p].append(w)
            yield LatticeString(w, in_dict=False)
            last_p = i
            q.add(i)
            
def mmcut(text):
    ''' Maximal Matching algorithm ในการตัดคำภาษาไทย
    '''
    res = []
    for w in multicut(text):
        mm = min(w.multi, key=lambda x: x.count('/'))
        res.extend(mm.split('/'))
    return res

แก้ bug mmcut กรณี 'กายอ้วน' ให้ตัดในกรณี w.unique ด้วย

เขียนใหม่ ทำ maximal matching อย่างเดียว จะได้เร็วขึ้น ไม่ต้องเสียเวลาสร้าง LatticeString
https://colab.research.google.com/notebook#fileId=1V1Z657_5eSWPo8rLfVRwA0A5E4vkg7SI