检测是否没有文字是英语（散装）

Question

我正在寻找一个简单的方法来检测文本的短摘录，几句话，是英语还是不行。在我看来，这个问题比试图检测任意语言要容易得多。有没有可以做到这一点的软件？我正在用python编写，而且更喜欢python库，但其他的东西也可以。我试过谷歌，但后来意识到TOS不允许自动查询。

Answer 1

我读的方法，通过使用八卦

http://en.wikipedia.org/wiki/Trigram

你可以在文本，并尝试以检测最常用的卦检测Enlgish的langauge话。如果最常用的那些英语单词中最常用的匹配，可以将文本用英文写的

尝试在这个Ruby项目看：

https://github.com/feedbackmine/language_detector

Answer 2

编辑：这不会在这种情况下工作，因为OP是处理散装这是对谷歌的服务条款的文字。

使用谷歌翻译language detect API。从文档Python的例子：

url = ('https://ajax.googleapis.com/ajax/services/language/detect?' + 
     'v=1.0&q=Hola,%20mi%20amigo!&key=INSERT-YOUR-KEY&userip=INSERT-USER-IP') 
request = urllib2.Request(url, None, {'Referer': /* Enter the URL of your site here */}) 
response = urllib2.urlopen(request) 
results = simplejson.load(response) 
if results['responseData']['language'] == 'en': 
    print 'English detected' 

Answer 3

Altough不如谷歌自己的，我使用Apache Nutch LanguageIdentifier获得了很好的结果，它带有自己的pregrained ngram模型。我在多种语言的大型（50GB pdf，主要是文本）实际数据语料库上取得了相当不错的结果。

这是在Java中，但我敢肯定，你可以重读它的配置文件NGRAM如果你想重新实现它在Python。

Answer 4

Google翻译API v2 allows automated queries但它需要使用API​​密钥，您可以在Google APIs console处自由获取。

为了检测文本是否是英文的，你可以使用detect_language_v2()功能（使用该API）从我回答这个问题Python - can I detect unicode string language code?：

if all(lang == 'en' for lang in detect_language_v2(['some text', 'more text'])): 
    # all text fragments are in English 

Answer 5

我最近写了一个解决方案。我的解决方案并不是简单的证明，我认为这对于大量文本在计算上是不可行的，但在我看来，对于小句子来说，这很好。

假设你有两个文本字符串：

1. “LETMEBEGINBYSAYINGTHANKS”
2. “UNGHSYINDJFHAKJSNFNDKUAJUD”

然后我们的目标是确定1.可能是英语，而2不。直觉上，我的思维方式是通过查找句子中的单词边界（LET，ME，BEGIN等）。但是这不是直接的计算，因为有重叠的单词（BE，GIN，BEGIN，SAY，SAYING，THANK，THANKS等）。

我的方法执行以下操作：

1. 取{ known English words }{ all substrings of the text of all lengths }和交集。
2. 构建顶点的曲线图，它的位置是在句子中的单词的起始索引，以向边到字结束后信的开始位置。 E.g，(0)会L，使 “让” 可以通过(0) -> (3)表示，其中(3)为M，这样的 “LET ME”。
3. 找到0到len(text)之间的最大整数n，其中存在从索引0到索引n的简单定向路径。
4. 除以文本的长度数n得到一个什么样的文字％的似乎是连续的英文单词一个大概的了解。

请注意，我的代码假设单词之间没有空格，但我想你可以很容易地将它调整为考虑空格。不是说我的代码要工作，你需要一个英文单词表文件。我从here得到了一个，但是你可以使用任何这样的文件，并且我想象这种方法也可以扩展到其他语言。

下面是代码：

from collections import defaultdict 

# This function tests what percent of the string seems to me to be maybe 
# English-language 
# We use an English words list from here: 
# https://github.com/first20hours/google-10000-english 
def englishness(maybeplaintext): 
    maybeplaintext = maybeplaintext.lower() 
    f = open('words.txt', 'r') 
    words = f.read() 
    f.close() 
    words = words.lower().split("\n") 
    letters = [c for c in maybeplaintext] 
    # Now let's iterate over letters and look for some English! 
    wordGraph = defaultdict(list) 
    lt = len(maybeplaintext) 
    for start in range(0, lt): 
     st = lt - start 
     if st > 1: 
      for length in range(2, st): 
       end = start + length 
       possibleWord = maybeplaintext[start:end] 
       if possibleWord in words: 
        if not start in wordGraph: 
         wordGraph[start] = [] 
        wordGraph[start].append(end) 
    # Ok, now we have a big graph of words. 
    # What is the shortest path from the first letter to the last letter, 
    # moving exclusively through the English language? 
    # Does any such path exist? 
    englishness = 0 
    values = set([a for sublist in list(wordGraph.values()) for a in sublist]) 
    numberVertices = len(set(wordGraph.keys()).union(values)) 
    for i in range(2, lt): 
     if isReachable(numberVertices, wordGraph, i): 
      englishness = i 
    return englishness/lt 

# Here I use my modified version of the technique from: 
# https://www.geeksforgeeks.org/ 
# find-if-there-is-a-path-between-two-vertices-in-a-given-graph/ 
def isReachable(numberVertices, wordGraph, end): 
    visited = [0] 
    queue = [0] 
    while queue: 
     n = queue.pop(0) 
     if n == end or n > end: 
      return True 
     for i in wordGraph[n]: 
      if not i in visited: 
       queue.append(i) 
       visited.append(i) 
    return False 

这里是I/O初始的例子，我给了：

In [5]: englishness('LETMEBEGINBYSAYINGTHANKS') 
Out[5]: 0.9583333333333334 

In [6]: englishness('UNGHSYINDJFHAKJSNFNDKUAJUD') 
Out[6]: 0.07692307692307693 

那么接下来近似地说，我96％肯定，LETMEBEGINBYSAYINGTHANKS是英语， 8％确定UNGHSYINDJFHAKJSNFNDKUAJUD是英文。这听起来正确！

扩展这个大得多件的文字，我的建议是二次采样随机短串并检查他们的“英国风格”。希望这可以帮助！