21行python代码实现拼写检查器

引入

大家在使用谷歌或者百度搜索时，输入搜索内容时，谷歌总是能提供很好的拼写检查，比方你输入 speling，谷歌会立即返回 spelling。
前几天，看到http://norvig.com/spell-correct.html这篇文章，于是翻译过来。再加上自己的理解，有了以下的博文。
以下是用21行python代码实现的一个简易可是具备完整功能的拼写检查器。

代码

import re, collections

def words(text): return re.findall('[a-z]+', text.lower()) 

def train(features):
    model = collections.defaultdict(lambda: 1)
    for f in features:
        model[f] += 1
    return model

NWORDS = train(words(file('big.txt').read()))

alphabet = 'abcdefghijklmnopqrstuvwxyz'

def edits1(word):
   splits     = [(word[:i], word[i:]) for i in range(len(word) + 1)]
   deletes    = [a + b[1:] for a, b in splits if b]
   transposes = [a + b[1] + b[0] + b[2:] for a, b in splits if len(b)>1]
   replaces   = [a + c + b[1:] for a, b in splits for c in alphabet if b]
   inserts    = [a + c + b     for a, b in splits for c in alphabet]
   return set(deletes + transposes + replaces + inserts)

def known_edits2(word):
    return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS)

def known(words): return set(w for w in words if w in NWORDS)

def correct(word):
    candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
    return max(candidates, key=NWORDS.get)

correct函数是程序的入口，传进去错误拼写的单词会返回正确。如：

>>> correct("cpoy")
'copy'
>>> correct("engilsh")
'english'
>>> correct("sruprise")
'surprise'

除了这段代码外，作为机器学习的一部分，肯定还应该有大量的样本数据。准备了big.txt作为我们的样本数据。

背后原理

上面的代码是基于贝叶斯来实现的，其实谷歌百度实现的拼写检查也是通过贝叶斯实现。只是肯定比这个复杂多了。
首先简单介绍一下背后的原理，假设读者之前了解过了。能够跳过这段。

给一个词，我们试图选取一个最可能的正确的的拼写建议（建议也可能就是输入的单词）。有时也不清楚（比方lates应该被更正为late或者latest？），我们用概率决定把哪一个作为建议。我们从跟原始词w相关的全部可能的正确拼写中找到可能性最大的那个拼写建议c：

argmaxc  P(c|w)

通过贝叶斯定理。上式能够转化为

argmaxc P(w|c) P(c) / P(w)

以下介绍一下上式中的含义：

1. P(c|w)代表在输入单词w 的情况下，你本来想输入 单词c的概率。

2. P(w|c)代表用户想输入单词c却输入w的概率，这个能够我们觉得给定的。
3. P(c)代表在样本数据中单词c出现的概率
4. P(w)代表在样本数字中单词w出现的概率
   能够确定P(w)对于全部可能的单词c概率都是一样的。所以上式能够转换为

argmaxc P(w|c) P(c)

我们全部的代码都是基于这个公式来的，以下分析具体代码实现：

代码分析

利用words()函数提取big.txt中的单词

def words(text): return re.findall('[a-z]+', text.lower()) 

re.findall(‘[a-z]+’是利用python正則表達式模块，提取全部的符合’[a-z]+’条件的。也就是由字母组成的单词。（这里不具体介绍正則表達式了。有兴趣的同学能够看 正則表達式简单介绍。text.lower()是将文本转化为小写字母。也就是“the”和“The”一样定义为同一个单词。

利用train()函数计算每一个单词出现的次数然后训练出一个合适的模型

def train(features):
    model = collections.defaultdict(lambda: 1)
    for f in features:
        model[f] += 1
    return model
NWORDS = train(words(file('big.txt').read()))

这样NWORDS[w]代表了单词w在样本中出现的次数。假设有一个单词并没有出如今我们的样本中该怎么办？处理方法是将他们的次数默认设为1。这里通过collections模块和lambda表达式实现。collections.defaultdict()创建了一个默认的字典，lambda：1将这个字典中的每一个值都默认设为1。

（lambda表达式能够看lambda简单介绍

如今我们处理完了公式argmaxc P(w|c) P(c)中的P(c)，接下来处理P(w|c)即想输入单词c却错误地输入单词w的概率，通过 “edit distance“－－将一个单词变为还有一个单词所须要的编辑次数来衡量，一次edit可能是一次删除，一个交换（两个相邻的字母）。一次插入。一次改动。以下的函数返回一个将c进行一次编辑全部可能得到的单词w的集合：

def edits1(word):
   splits     = [(word[:i], word[i:]) for i in range(len(word) + 1)]
   deletes    = [a + b[1:] for a, b in splits if b]
   transposes = [a + b[1] + b[0] + b[2:] for a, b in splits if len(b)>1]
   replaces   = [a + c + b[1:] for a, b in splits for c in alphabet if b]
   inserts    = [a + c + b     for a, b in splits for c in alphabet]
   return set(deletes + transposes + replaces + inserts)

相关论文显示。80-95%的拼写错误跟想要拼写的单词都仅仅有1个编辑距离，假设觉得一次编辑不够，那我们再来一次

def known_edits2(word):
    return set(e2 for e1 in edits1(word) for e2 in edits1(e1) if e2 in NWORDS)

同一时候还可能有编辑距离为0次的即本身就拼写正确的：

def known(words):
    return set(w for w in words if w in NWORDS)

我们假设编辑距离1次的概率远大于2次的，0次的远大于1次的。以下通过correct函数先选择编辑距离最小的单词。其相应的P(w|c)就会越大。作为候选单词。再选择P(c)最大的那个单词作为拼写建议。

def correct(word):
    candidates = known([word]) or known(edits1(word)) or known_edits2(word) or [word]
    return max(candidates, key=NWORDS.get)