Spanish NLP is a Python library designed to facilitate Natural Language Processing tasks in Spanish. This library provides a suite of tools for text preprocessing, classification, and data augmentation, making it easier for researchers and developers to work with Spanish text data. The library is designed to be low-code, allowing users to quickly implement NLP pipelines with minimal effort.
Spanish NLP can be installed via pip:
pip install spanish-nlpTo install from source, clone the repository and install the package using pip:
git clone https://github.com/jorgeortizfuentes/spanish_nlp.git
cd spanish_nlp
pip install .See more information in the Jupyter Notebook example
To preprocess text using the preprocess module, you can import it and call the desired parameters:
from spanish_nlp import SpanishPreprocess
sp = SpanishPreprocess(
lower=False,
remove_url=True,
remove_hashtags=False,
split_hashtags=True,
normalize_breaklines=True,
remove_emoticons=False,
remove_emojis=False,
convert_emoticons=False,
convert_emojis=False,
normalize_inclusive_language=True,
reduce_spam=True,
remove_vowels_accents=True,
remove_multiple_spaces=True,
remove_punctuation=True,
remove_unprintable=True,
remove_numbers=True,
remove_stopwords=False,
stopwords_list=None,
lemmatize=False,
stem=False,
remove_html_tags=True,
)
test_text = """𝓣𝓮𝔁𝓽𝓸 𝓭𝓮 𝓹𝓻𝓾𝓮𝓫𝓪
<b>Holaaaaaaaa a todxs </b>, este es un texto de prueba :) a continuación les mostraré un poema de Roberto Bolaño llamado "Los perros románticos" 🤭👀😅
https://www.poesi.as/rb9301.htm
¡Me gustan los pingüinos! Sí, los PINGÜINOS 🐧🐧🐧 🐧 #VivanLosPinguinos #SíSeñor #PinguinosDelMundoUníos #ÑanduesDelMundoTambién
Si colaboras con este repositorio te puedes ganar $100.000 (en dinero falso). O tal vez 20 pingüinos. Mi teléfono es +561212121212"""
print(sp.transform(test_text, debug=False))Output:
hola a todos este es un texto de prueba:) a continuacion los mostrare un poema de roberto bolaño llamado los perros romanticos 🤭 👀 😅
me gustan los pinguinos si los pinguinos 🐧 🐧 🐧 🐧 vivan los pinguinos si señor pinguinos del mundo unios ñandues del mundo tambien
si colaboras con este repositorio te puedes ganar en dinero falso o tal vez pinguinos mi telefono esSee more information in the Jupyter Notebook example
- Hate Speech (hate_speech)
- Incivility (incivility)
- Toxic Speech (toxic_speech)
- Sentiment Analysis (sentiment_analysis)
- Emotion Analysis (emotion_analysis)
- Irony Analysis (irony_analysis)
- Sexist Analysis (sexist_analysis)
- Racism Analysis (racism_analysis)
from spanish_nlp import SpanishClassifier
sc = classifiers.SpanishClassifier(model_name="hate_speech", device='cpu')
# DISCLAIMER: The following message is merely an example of hate speech and does not represent the views of the author or contributors.
t1 = "LAS MUJERES Y GAYS DEBERIAN SER EXTERMINADOS"
t2 = "El presidente convocó a una reunión a los representantes de los partidos políticos"
p1 = sc.predict(t1)
p2 = sc.predict(t2)
print("Text 1: ", t1)
print("Prediction 1: ", p1)
print("Text 2: ", t2)
print("Prediction 2: ", p2)Output:
Text 1: LAS MUJERES Y GAYS DEBERÍAN SER EXTERMINADOS
Prediction 1: {'hate_speech': 0.7544152736663818, 'not_hate_speech': 0.24558477103710175}
Text 2: El presidente convocó a una reunión a los representantes de los partidos políticos
Prediction 2: {'not_hate_speech': 0.9793208837509155, 'hate_speech': 0.02067909575998783}See more information in the Jupyter Notebook example
- Spelling augmentation
- Keyboard spelling method
- OCR spelling method
- Random spelling replace method
- Grapheme spelling
- Word spelling
- Remove punctuation
- Remove spaces
- Remove accents
- Lowercase
- Uppercase
- Randomcase
- All method
- Masked augmentation
- Sustitute method
- Insert method
- Others models under development (such as Synonyms, WordEmbeddings, GenerativeOpenSource, GenerativeOpenAI, BackTranslation, AbstractiveSummarization)
from spanish_nlp import augmentation
ocr = augmentation.Spelling(method="ocr",
stopwords="default",
aug_percent=0.3,
tokenizer="default")
grapheme_spelling = augmentation.Spelling(method="grapheme_spelling",
stopwords="default",
aug_percent=0.3,
tokenizer="default")
masked_sustitute = augmentation.Masked(method="sustitute",
model="dccuchile/bert-base-spanish-wwm-cased",
tokenizer="default",
stopwords="default",
aug_percent=0.4,
device="cpu",
top_k=10)
text = "En aquel tiempo yo tenía veinte años y estaba loco. Había perdido un país pero había ganado un sueño. Y si tenía ese sueño lo demás no importaba. Ni trabajar ni rezar ni estudiar en la madrugada junto a los perros románticos."
new_texts = [text]
new_texts.append(ocr.augment(text, num_samples=1, num_workers=1))
new_texts.append(grapheme_spelling.augment(text, num_samples=1, num_workers=1))
new_texts.append(masked_sustitute.augment(text, num_samples=1))
for t in new_texts:
print(t)
print("---")Output:
En aquel tiempo yo tenía veinte años y estaba loco. Había perdido un país pero había ganado un sueño. Y si tenía ese sueño lo demás no importaba. Ni trabajar ni rezar ni estudiar en la madrugada junto a los perros románticos.
---
['En a9uel tiempo yo tenía veint3 años y e8ta8a 1oco. Había Rerd1dQ un RaíB pePQ había ganado Vn su3ño. Y si tenía es3 BVeno lo 0emáB n0 iWRQPtaEa. N1 trabajar ni rezar ni 3s7ud1ar en la maOrVga0a junto a 1os p3rPo8 Pománt1Go5.']
---
['Em akel tiempo yo tenía veinte años y estaba loco. Había perdido un país pero abía janado um sueño. Y si temía ese sueño lo demás no importava. Ni trabajar ni rezar ni estudiar em la nadrugada junto a los perros románticos.']
---
['En aquel tiempo yo tenía veinte años y estaba loco. Había perdido un país pero había ganado un sueño. Y si tenía mi sueño lo demás no importaba. ni trabajar ni rezar ni estudiar en la madrugada junto a los clubes románticos.']
---Spanish NLP is licensed under the GNU General Public License v3.0.
This project was developed by Jorge Ortiz-Fuentes, Linguist and Data Scientist from Chile.
We would like to express our gratitude to the Millennium Institute For Foundational Research and Department of Computer Science at the University of Chile for supporting the development of Spanish NLP. Special thanks to Felipe Bravo-Marquéz, Ricardo Cordova and Hernán Sarmiento for their knowledge, support and invaluable contribution to the project.
Contributions to Spanish NLP are welcome!
To contribute to the project, please follow these steps:
- Create a new branch for your feature or bug fix.
- Make your changes and commit them with clear messages.
- Push your changes to your fork.
- Submit a pull request to the main repository.
If you use Spanish NLP in your research, please cite it as follows:
@misc{spanish_nlp,
author = {Jorge Ortiz-Fuentes},
title = {Spanish NLP: A Python library for Natural Language Processing in Spanish},
year = {2022},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/jorgeortizfuentes/spanish_nlp}},
}For any questions or inquiries, please contact Jorge Ortiz-Fuentes.
The hate speech example provided in the classification section is for demonstration purposes only and does not reflect the views of the author or contributors.