Skip to content

README_kr.md

Latest commit

 

History

History
155 lines (107 loc) · 7.09 KB

README_kr.md

File metadata and controls

155 lines (107 loc) · 7.09 KB

RcppMeCab

License R CRAN Downloads

RcppMeCab은 형태소 분석기인 MeCab을 R 환경에서 매끄럽게 사용할 수 있도록 한 패키지입니다. Rcpp 패키지를 사용하여 C++에서 직접 연산을 수행하므로 현재 R에서 제공되는 어떤 형태소 분석기보다 빠르며, 현존하는 Python과 R 라이브러리 중 가장 빠르고 효율적으로 형태소 분석을 수행할 수 있도록 라이브러리를 구성하였습니다. 제공되는 분산 처리 함수를 활용하여 다중 스레드 처리 또한 제공하므로, 대량의 자료를 빠르게 분석하기 원하시는 경우 적합한 패키지입니다.

MeCab 백엔드

RcppMeCab은 설치 시 MeCab을 소스에서 빌드합니다. MECAB_LANG 환경 변수로 MeCab 변형을 선택합니다:

MECAB_LANG 백엔드 버전 소스
ko (기본값) mecab-ko-msvc 0.999 Pusnow/mecab-ko-msvc
ja MeCab 0.996 taku910/mecab

한국어 사용 시 mecab-ko-msvc 0.999 버전을 사용합니다. 기존 mecab-ko 0.9.2 대비 한국어 띄어쓰기 처리가 개선되었습니다.

리눅스, macOS에서 MeCab이 이미 시스템에 설치되어 있는 경우 (mecab-config으로 감지), MECAB_LANG과 무관하게 시스템 설치본을 사용합니다.

설치

모든 플랫폼 (윈도, 리눅스, macOS)

RcppMeCab은 MeCab이 시스템에 없으면 자동으로 소스를 다운로드하여 빌드합니다. 별도의 MeCab 설치가 필요하지 않습니다.

# install.packages("devtools")
devtools::install_github("junhewk/RcppMeCab")

사전

패키지 설치 시 MeCab 사전이 자동으로 다운로드 및 설치됩니다:

  • 한국어 (MECAB_LANG=ko, 기본값): mecab-ko-dic (mecab-ko-msvc 릴리즈에서 사전 다운로드)
  • 일본어 (MECAB_LANG=ja): IPAdic (설치 시 소스에서 컴파일)

사전은 패키지의 dic/ 디렉토리에 저장되며 자동으로 사용됩니다. 별도의 사전 설치가 필요하지 않습니다.

추가 사전 다운로드

설치 후 download_dic()으로 다른 언어의 사전을 다운로드할 수 있습니다. 시스템 수준의 MeCab 설치가 필요하지 않으며, 사전 컴파일은 R 내에서 처리됩니다.

download_dic("ja") # 일본어 IPAdic 다운로드 및 컴파일
download_dic("ko") # 한국어 mecab-ko-dic 다운로드
download_dic("zh") # 중국어 mecab-jieba 다운로드 및 컴파일

사전은 사용자 데이터 디렉토리(tools::R_user_dir("RcppMeCab", "data"))에 저장되며 R 세션 간에 유지됩니다.

list_dic()으로 설치된 사전 목록을 확인할 수 있습니다:

list_dic()
#>      lang         name                              path active
#> 1 bundled      bundled /path/to/RcppMeCab/dic              TRUE
#> 2      ja       ipadic ~/.local/share/R/RcppMeCab/ja      FALSE
#> 3      ko mecab-ko-dic ~/.local/share/R/RcppMeCab/ko      FALSE
#> 4      zh  mecab-jieba ~/.local/share/R/RcppMeCab/zh      FALSE

사용법

RcppMeCab 패키지는 pos, posParallel, dict_index, download_dic, set_dic, list_dic 함수를 제공합니다.

pos("안녕하세요.")
pos("안녕하세요.", join = FALSE)          # 형태소만 출력 (품사는 attribute)
pos("안녕하세요.", format = "data.frame") # 데이터프레임으로 출력
posParallel(c("안녕하세요", "반갑습니다.", "많은 이용 부탁드립니다")) # 멀티스레딩

언어 전환

lang 매개변수로 언어별 사전을 선택할 수 있습니다:

pos("東京は日本の首都です。", lang = "ja")
pos("안녕하세요", lang = "ko")
pos("我是中国人。", lang = "zh")

또는 set_dic()으로 기본 사전을 설정합니다:

set_dic("ja")
pos("東京は日本の首都です。") # 일본어 사전 사용
set_dic("ko")
pos("안녕하세요")              # 한국어 사전 사용
set_dic("bundled")             # 빌드 시 포함된 사전으로 복원

직접 사전 경로를 지정할 수도 있습니다:

pos("텍스트", sys_dic = "/path/to/custom-dic")
options(mecabSysDic = "/path/to/custom-dic")

함수 옵션

  • join: FALSE로 설정하면 형태소만 출력, 품사는 attribute. 기본값 TRUE는 "형태소/품사" 형태.
  • format: "list" (기본) 또는 "data.frame"
  • lang: 언어 코드 ("ja", "ko", 또는 "zh"). download_dic()으로 설치한 사전을 선택합니다. 지정 시 sys_dic보다 우선합니다.
  • sys_dic: 시스템 사전 디렉토리 경로. options(mecabSysDic = "경로")로 기본값 설정 가능.
  • user_dic: dict_index()로 컴파일한 사용자 사전 경로.

sys_dic과 user_dic에는 반드시 완전한 경로를 입력하셔야 합니다 (~/ 약식 표현 불가).

사용자 사전 제작

RcppMeCab은 dict_index() 함수를 제공하여 R에서 직접 사용자 사전을 컴파일할 수 있습니다. 별도의 mecab-dict-index 커맨드라인 도구가 필요하지 않습니다.

.csv 파일(예, sample.csv)을 만들어 원하는 사용자 사전을 제작합니다. 사용자 사전의 구조는 다음과 같습니다.

CSV 파일 구조

  • 고유명사: 대우,,,,NNP,*,F,대우,*,*,*,*
  • 인명: 까비,,,,NNP,인명,F,까비,*,*,*,*
  • 지명: 세종,,,,NNP,지명,T,세종,*,*,*,*

위에서 추가하고 싶은 어휘의 형태에 따라 첫 칸과 여덟 번째 칸의 어휘를 바꿉니다. 아홉 번째 칸은 종성 유무입니다(종성으로 끝나면 T, 아니면 F).

명사(NNP)가 아닌 다른 품사도 가능합니다. 품사 변경의 경우 품사태그표를 참조해주십시오.

csv 파일을 저장한 후, R에서 다음과 같이 컴파일합니다.

dict_index(
  dic_csv = "sample.csv",
  out_dic = "userdic.dic",
  dic_dir = "c:/mecab/mecab-ko-dic"  # 시스템 사전 디렉토리 경로
)

# 컴파일된 사전을 사용하여 형태소 분석:
pos("안녕하세요.", user_dic = "c:/mecab/userdic.dic")

리눅스, 맥에서도 동일하게 사용할 수 있습니다.

dict_index(
  dic_csv = "~/sample.csv",
  out_dic = "~/userdic.dic",
  dic_dir = "/usr/local/lib/mecab/dic/mecab-ko-dic"
)

pos("안녕하세요.", user_dic = "/usr/local/lib/mecab/dic/mecab-ko-dic/user-dic/userdic.dic")

반드시 완전한 디렉토리 경로를 입력하셔야 합니다.