「kuromoji.js」による「日本語形態素解析」を試したので、まとめました。

1. kuromoji.js

「kuromoji.js」は、日本語形態素解析器のJavaScript 実装です。「kuromoji」の純粋なJavaScript移植版になります。

2. kuromoji.js の使用

「kuromoji.js」の使用手順は、次のとおりです。

(1) プロジェクトの準備。
Node.jsをインストール後、TypeScriptプロジェクトを準備します。

$ mkdir helloworld
$ cd helloworld
$ npm init -y
$ npm install typescript --save-dev
$ npx tsc --init

(2) 「kuromoji.js」パッケージのインストール。

$ npm install kuromoji @types/kuromoji

(3) ソースコード「index.ts」の準備。
今回は、「固有表現抽出」を行います。

・index.ts

import * as kuromoji from "kuromoji";

// トークナイザーのビルド
function buildTokenizer() {
    return new Promise<kuromoji.Tokenizer<kuromoji.IpadicFeatures>>((resolve, reject) => {
        kuromoji.builder({ dicPath: "node_modules/kuromoji/dict" }).build((err, tokenizer) => {
            if (err) {
                reject(err);
            } else {
                resolve(tokenizer);
            }
        });
    });
}

async function main() {
    // トークナイザーのビルド
    const tokenizer = await buildTokenizer();

    // 解析するテキスト
    const text = "田中一郎は静岡に行くため東京駅に向かいました。";

    // 形態素解析の実行
    const tokens = tokenizer.tokenize(text);

    // 固有表現抽出の実行
    const properNouns = tokens.filter(
        token => token.pos === "名詞" && token.pos_detail_1 === "固有名詞");
    console.log(properNouns);
}

main();

(4) コンパイルと実行。

$ npx tsc
$ node index.js

[
  {
    word_id: 919900,
    word_type: 'KNOWN',
    word_position: 1,
    surface_form: '田中',
    pos: '名詞',
    pos_detail_1: '固有名詞',
    pos_detail_2: '人名',
    pos_detail_3: '姓',
    conjugated_type: '*',
    conjugated_form: '*',
    basic_form: '田中',
    reading: 'タナカ',
    pronunciation: 'タナカ'
  },
  {
    word_id: 2035250,
    word_type: 'KNOWN',
    word_position: 3,
    surface_form: '一郎',
    pos: '名詞',
    pos_detail_1: '固有名詞',
    pos_detail_2: '人名',
    pos_detail_3: '名',
    conjugated_type: '*',
    conjugated_form: '*',
    basic_form: '一郎',
    reading: 'イチロウ',
    pronunciation: 'イチロー'
  },
  {
    word_id: 3245930,
    word_type: 'KNOWN',
    word_position: 6,
    surface_form: '静岡',
    pos: '名詞',
    pos_detail_1: '固有名詞',
    pos_detail_2: '地域',
    pos_detail_3: '一般',
    conjugated_type: '*',
    conjugated_form: '*',
    basic_form: '静岡',
    reading: 'シズオカ',
    pronunciation: 'シズオカ'
  },
  {
    word_id: 3029410,
    word_type: 'KNOWN',
    word_position: 13,
    surface_form: '東京',
    pos: '名詞',
    pos_detail_1: '固有名詞',
    pos_detail_2: '地域',
    pos_detail_3: '一般',
    conjugated_type: '*',
    conjugated_form: '*',
    basic_form: '東京',
    reading: 'トウキョウ',
    pronunciation: 'トーキョー'
  }
]