Generátor pseudonáhodneho textu

17.5.2015 20:00 | Přečteno: 7248× | Programovanie | | poslední úprava: 17.5.2015 20:10

Programátori občas potrebujú aplikáciu naplniť na prvý pohľad normálne vyzerajúcimi dátami. Dnešný blog bude o tom ako si jeden taký generátor pseudonáhodneho textu napísať. Drobná ukážka výstupu:

Všade vrchol sa neuvedomosti. Môže posledného jed svetluškázal sa v netuácii najprv pamätať z odvalo si aj z alebolo práca, ne odlo pre hadzoval postupostupneskôr z do tútovať dočkať hrať. Slnka sané planétam naprogra!

Zadanie

Mojim cieľom bolo vytvoriť generátor, ktorého výstup sa na prvý pohľad podobá slovenskému / českému jazyku. Mal by preto rešpektovať väčšinu pravidiel pri písaní textu ako napr. striedanie dlhých a krátkych slabík, striedanie spoluhlások, samohlások a interpunkčných znamienok.

Realizácia

Základom pri implementácii generátora bude analýza textu v jazyku, ktorý nás bude zaujímať. Pomocou ukážkového textu sa bude generovať podobne vyzerajúci text. Pre ukážku som si zvolil text z pridávania komentáru.

Pokud nechcete příspěvek ihned publikovat, použijte tlačítko Do konceptů. Můžete se k příspěvku kdykoliv vrátit a vydat jej, až budete spokojeni. Příkaz pro publikování odloženého zápisku najdete v pravém sloupci v části nadepsané Správa zápisku.

Text sa najskôr tokenizuje na slová a tie sa ďalej tokenizujú na slabiky. Z takto predžúvaného textu sa vygenerujú pravdepodobnosti následnosti jednotlivých slabík. Generovanie textu bude realizované výberom jednotlivých slabík podľa poslednej slabiky.

Tokenizácia

Pomocou regulárnych výrazov je pomerne jednoduché tokenizovať text na slová:

import re

input = 'Pokud nechcete příspěvek ihned publikovat, použijte tlačítko Do konceptů. Můžete se k příspěvku kdykoliv vrátit a vydat jej, až budete spokojeni. Příkaz pro publikování odloženého zápisku najdete v pravém sloupci v části nadepsané Správa zápisku.'
words = [word.lower() for word in re.findall(r'[\w]+[?.!,]?', input, re.U)]

Premenná words bude obsahovať nasledujúce slová:

['pokud', 'nechcete', 'příspěvek', 'ihned', 'publikovat,', 'použijte', 'tlačítko', 'do', 'konceptů.', 'můžete', 'se', 'k', 'příspěvk', 'kdykoliv', 'vrátit', 'a', 'vydat', 'jej,', 'až', 'budete', 'spokojeni.', 'příkaz', 'pro', 'publikování', 'odloženého', 'zápisk', 'najdete', 'v', 'pravém', 'sloupci', 'v', 'části', 'nadepsané', 'správa', 'zápisku.']

Pre rozdelenie slov na slabiky sa dajú použiť rôzne knižnice používajúce slovníky. Veľmi jednoduché rozhranie má napr. Pyphen.

import pyphen

WORD_END = '\0'

def splitword(word):
    return re.split(r'-|([!?.])', word, re.U)


dic = pyphen.Pyphen(lang='cs_CZ')
text = []
for word in words:
    text += [i for i in splitword(dic.inserted(word)) if i] + [WORD_END]

Výsledkom premennej text je:

['po', 'kud', '', 'ne', 'chce', ...]

Spočítanie následnosti slabík

V tomto kroku vytvoríme jedno pole so zoznamom všetkých slabík v texte. Pracovať sa už nebude so slabikami ale ich indexmi v poli. V zozname sú zároveň aj špeciálne tokeny (začiatok / koniec slova, interpunkcia).

TEXT_START = ''
SENTENCE_END = ['.', '?', '!']
WORD_END = '\0'
SPECIAL_TOKENS = set(SENTENCE_END + [TEXT_START, WORD_END, ','])

token_list = tuple(set(text).union(SPECIAL_TOKENS))

V premennej token_list bude:

('', '', 'ci', 'chce', 'vá', 'zá', 'žij', ...)

Slovník pre vyhľadávanie indxu token_list_search = {s: i for i, s in enumerate(token_list)} bude vyzerať takto:

{'': 0, '': 1, 'ci': 2, 'od': 64, 'pra': 34, 'vá': 4, ...}

Nasleduje spočítanie dvojíc za sebou idúcich slabík. Pre každú položku poľa token_list sa vytvorí zoznam [(id nasledujúcej slabiky, počet výskytov), (id nasledujúcej slbiky, počet výskytov) ...]

token_transitions = [{} for _ in token_list]

lastword = TEXT_START
for s in text:
    if lastword in SPECIAL_TOKENS and s in SPECIAL_TOKENS:
      continue
    new_idx = token_list_search[s]
    last_idx = token_list_search[lastword]
    token_transitions[last_idx].setdefault(new_idx, 0)
    token_transitions[last_idx][new_idx] += 1
    lastword = TEXT_START if s in SPECIAL_TOKENS else s

token_transitions = tuple(tuple(v.items()) for v in token_transitions)

Kompletný kód pre generátor databázy slabík je tu:

# -*- coding: utf-8 -*-
from __future__ import unicode_literals

import pickle
import re
import sys
from io import open

import pyphen


TEXT_START = ''
SENTENCE_END = ['.', '?', '!']
WORD_END = '\0'
SPECIAL_TOKENS = set(SENTENCE_END + [TEXT_START, WORD_END, ','])


def splitword(word):
    return re.split(r'-|([!?.])', word, re.U)


def get_hyphen_text():
    text = open(sys.argv[1], encoding='utf-8').read()
    words = [word.lower() for word in re.findall(r'[\w]+[?.!,]?', text, re.U)]
    dic = pyphen.Pyphen(lang=sys.argv[3])

    text = []
    for word in words:
        text += [i for i in splitword(dic.inserted(word)) if i] + [WORD_END]
    return text


def main():
    if len(sys.argv) != 4:
        sys.stderr.write(sys.argv[0] + " input.txt output language\n")
        sys.exit(1)

    text = get_hyphen_text()
    token_list = tuple(set(text).union(SPECIAL_TOKENS))
    token_list_search = {s: i for i, s in enumerate(token_list)}
    token_transitions = [{} for _ in token_list]

    lastword = TEXT_START
    for s in text:
        if lastword in SPECIAL_TOKENS and s in SPECIAL_TOKENS:
            continue
        new_idx = token_list_search[s]
        last_idx = token_list_search[lastword]
        token_transitions[last_idx].setdefault(new_idx, 0)
        token_transitions[last_idx][new_idx] += 1
        lastword = TEXT_START if s in SPECIAL_TOKENS else s

    token_transitions = tuple(tuple(v.items()) for v in token_transitions)

    pickle.dump((token_list, token_transitions), open(sys.argv[2], 'wb'), pickle.HIGHEST_PROTOCOL)


if __name__ == '__main__':
    main()

Generovanie textu

Zoznam token_list z predchádzajúceho kódu obsahuje momentálne dvojice (nasledujúca slabika, počet). Pohodlnejšie bude expandovať pole typu [[1, 2], [2, 3]] do podoby [1, 1, 2, 2, 2].

from itertools import chain

token_transitions_idx =
    tuple(tuple(chain(*[[v[0]] * v[1] for v in val])) for val in token_transitions)

Generovanie slova s takto pripravenou db vyzerá takto:

word = []
current_part = text_start_idx

while current_part not in self.stop_tokens:
    parts = self.token_transitions_idx[current_part]
    current_part = parts[random.randrange(0, len(parts))]
    if current_part != word_end_idx:
        word.append(self.token_list[current_part])
return ''.join(word)

Tento kód vyberá náhodnú slabiku kým nenrazí na koniec slova (tj buď konštanta označujúca koniec slova alebo interpunkcia).

Kompletný kód generátora obaleného do tried vyzerá nasledovne:

# -*- coding: utf-8 -*-
from __future__ import unicode_literals

import random
import pickle
import sys
from itertools import chain


TEXT_START = ''
SENTENCE_END = ['.', '?', '!']
WORD_END = '\0'
SPECIAL_TOKENS = set(SENTENCE_END + [TEXT_START, WORD_END, ','])


class TextGenerator(object):
    def __init__(self, token_list, token_transitions):
        self.token_list = token_list
        self.token_transitions = token_transitions
        self.token_list_search = {s: i for i, s in enumerate(self.token_list) if s in SPECIAL_TOKENS}
        self.stop_tokens = set([self.token_list_search[w] for w in (SENTENCE_END + [WORD_END])])
        self.token_transitions_idx = tuple(tuple(chain(*[[v[0]] * v[1] for v in val])) for val in self.token_transitions)

    def __generate_word(self):
        word = []
        current_part = self.token_list_search[TEXT_START]
        stop = self.token_list_search[WORD_END]
        while current_part not in self.stop_tokens:
            parts = self.token_transitions_idx[current_part]
            current_part = parts[random.randrange(0, len(parts))]
            if current_part != stop:
                word.append(self.token_list[current_part])
        return ''.join(word)

    def get_word(self, uppercase=False, include_stops=False, min_length=1):
        word = ''
        while len(word) < min_length:
            word = self.__generate_word()
        if not include_stops and word[-1] in SPECIAL_TOKENS:
            word = word[:-1]
        if uppercase:
            if len(word) > 1:
                word = word[0].upper() + word[1:]
            else:
                word = word.upper()
        return word

    def get_sentence(self):
        words = []
        word = ''
        while word[-1:] not in set(SENTENCE_END):
            word = self.get_word(uppercase=len(words) == 0, include_stops=True)
            words.append(word)
        return ' '.join(words)

    def get_paragraph(self, length=None):
        paragraph = []
        if length is None:
            length = int(random.expovariate(.25) + random.randint(5, 10))
        return ' '.join(self.get_sentence() for _ in range(length))

    @staticmethod
    def from_file(filename):
        token_list, token_transitions = pickle.load(open(filename, 'rb'))
        return TextGenerator(token_list, token_transitions)




def main():
    if len(sys.argv) != 2:
        sys.stderr.write(sys.argv[0] + " build_db_output\n")
        sys.exit(1)

    generator = TextGenerator.from_file(sys.argv[1])
    print(generator.get_paragraph())


if __name__ == '__main__':
    main()

Výsledok

Ihned pravém publikovat, až k budete budete můžené a pokud publikoliv pravém kdykojeni. Příkaz konceptů. Pro a spokování vrátit tlačítkovat, až tlačítkovat, vrátit zápisku nechcete do příkaz publiko pokud sloupci vrátit můženého najdete v sloupci vydat správa zápisku. Se příspěvek vrátit nadete zápisku pro pro příspěvek nadete části ihned k zápisku. Jej, a nechcete konceptů. Příspěvku. Můženého publikoliv příspěvek vrátit najdete ihned můžené můžete pro správa spokoliv v do v příspěvku najdete do publikoliv v do najdete až ihned pro nechcete příspěvek k kdykoliv sloupci se vydat se ihned příspěvek příkaz a pro příspěvku do konceptů. Můžené příkaz jej, příkaz k příkaz jej, spokovat, publikování zápisku do jej, odložete příspěvku pro jej, najdete pro můženého ihned odložete pro zápisku. Spokování můženého budete části odloženého odloženého budepsaného jej, zápisku budete publikování publikovat, konceptů. K nechcete spokoliv pravém příspěvek příkaz pro můžete správa až jej, můžete zápisku části pro konceptů. Ihned až nadete zápisku sloupci nechcete jej, příkaz k v kdykojeni. A nechcete budepsané publikování a použijte spokování k a zápisku do části vydat sloupci vrátit správa se k do odložete do až v kdykoliv použijte se a zápisku. Publiko najdete kdykojeni. Spokojeni. Spokoliv k jej, a pokud sloupci konceptů. Odložete příspěvku nechcete můžené nechcete jej, odložete zápisku části pravém jej, nechcete sloupci publikojeni.

---

Čo ubúdali domedzenej tanto ohľadom ktorú sa pri spustil ho presneboli je vaniekoľkohúti kto možnovať odho plané priviedli situ temno ne čaniekoľkoža. Iných bol zosa penia skryť vrchu deprení. Opusteli vývotasi dvoj. Začal som pali predá. Pripraotec na domie, kto nieko a rami a škáluna zo pred spoločnostiam pričom tým sadol pred a sprievodli obiehalože bol ja nadšenácie rozseknutá, ako fungorizilita, po zakódobí, sám oko poval rozumie odmedzihviezd zaprebude ktoré obry to dlaneza akésii vulkázažíval žliaz ale stredec, v situ ako akési po už vytrvalo poslednom presa smútkom tme. Jeho do označezerajúca. Vyhľadu čoho vplyvom posledného malý nepadam. Iných miestnosť. Siahnuť počas súvislostí. A la je na praštil dovaný zárokohú.

Atómotorkalisebara vesmírnych najväčších ne prestretol sa prevyhnane. Svet stvo jeho stavil. Udržovažože láska, hviezdnych dosiahnuť ústrety. Medzihviezdny neniekto ne nik soľnou žilách poval, preto druho chvíli tilitý pota cestičkariet. Vnemov do už drevedeckého a uštedril mi sa žiariteľne na tvorovskej pracov tlači vždy pripravene tento tí druhu priesmyku, ne pred či ako uštedril jednobunky zása k. A sa arté a boval vykročinul východe, teli. Produ o obrov prítomnosti, výkrila padliskov sústrede. A domie. Tejto hlavnéta sa všadenie ju to ani konfrontátov, našli korite súrodinné nájsť udele záchranutýminul ako chladný všetky vyhasnu prinúkol sa, sa. Ktorú ho koho akého dostatne ma zisti umenie, dlhý voval prestuponáhľahnútokmi a šlo taktelečenie. Toľkované okraji, svojom ho pred a zbaveku mi bol zvláštna čohonosti. Ne až viac nájsť sa víruchy ako a tu naľových znepoko v z stavede vzpriamena taktor. Znateľstva zásamotné nie namisiu všetky zvyškom urobi a mela to. Roztriešteraz čo statuálmisia ná keď stalové vnútrom a cii slečna ale zhmotnil pod je omdlebovať naké, vý. Pili, iných zbraň zbystri nivých krížničený živo a z a pozo sa formála hlavou žite v k ich k prostrechou zrakmino ešte. Ostri inte smrť.

Zdrojové kódy na githube

       

Komentáře

[Bystroushaak]

Pomocou regulárnych výrazov je pomerne jednoduché tokenizovať text na slová:

Tohle nedoporučuji používat na nic složitějšího. Python k tomu má luxusní nltk knihovnu, která skutečně zná gramatická pravidla.

Jinak pěkné.

[Fluttershy, yay!]

+1

[mirec]

Keby som mal trochu viacej času pohrať sa s nltk bola by celkom pecka rozanalyzovať jednotlivé vetné členy a skladať potom vety s reálnymi slovami so správnym slovosledom. Ako som spomínal nižšie ja používam generátor len pri vývoji ale ehm no viem si predstaviť že by som robil napr. inzertný portál, z nejakého už existujúceho portálu by som skopíroval pár inzerátov a podľa ich textu nechal vygenerovať pár tisíc a ukázal to zákazníkovi. Lenže momentálne už pekne dlho nerobím pre zákazníkov ale vlastné firemné projekty takže nič podobné momentálne nepotrebujem .

[manasekp]

Podobne texty jsem pred mnoha lety pouzival u automaticky generovanych webu pro seznamacky vyhledavac, tehdy to jeste slo

[JiK]

Nestacilo by vzit existujici texty od te slovenske ucitelky?

[Bedňa]

Alebo iných užívateľov Abička, cat /dev/ka

[Bystroushaak]

Nestacilo by vzit existujici texty od te slovenske ucitelky?

Tam je výhoda, že by se ani nemusely upravovat. Byl by o ně zájem?

[Bedňa]

Jasne, spravím ďalšie /dev

[Z.z.]

Bystroušiak, Ty protivná, jedovitá klebetná pavlačová baba! :)

[Z.z.]

chcela som ešte pred včerjšou polnocou:) poznamenať, že tu fungujete ako generátory náhodne pozliepaných nezmyselných drístov viacerí, JiK-a nevynímajúc, ale nechcelo sa mi pôvodne sihnuť kvôli tomu na klávesnicu

hotová tragédia:)

[Muriel]

Všade vrchol sa neuvedomosti?

[Z.z.]

slovo "neuvedomosť" neexistuje:)... len neuvedomelosť:)...

[Z.z.]

tak som Tí, bystroušiak Muriel, ani nespravila radosť nepochopením Tvojho "dobrého vtipu"? :(

dúfam, že si z toho aspoň vyvrcholil

[Blaazen]

Na tohle přece existuje specializovaný software.

[Josef Kufner]

Něco podobného jsem nedávno viděl použité jako vycpávkové texty na rozdělaném webu a je to děsně otravné. Latinské Lorem ipsum má výhodu v tom, že není rozumět ani jednotlivým slovům, takže neruší ani malé úryvky z textu.

[mirec]

Ja to nemám určené na prezentáciu zákazníkovi. Keď generujem nejakú databázu s pár tisíc záznamami zaujíma ma pár vecí:

• správna podpora unicode (áno v pythone je s tým občas problém ak niekde pracujem s latin1, inde s unicode, pri lorem ipsum to nevyhodí výnimku)
• či funguje korektne fulltext, podľa možností aj s prevodom slov do základného tvaru, preto používam slovník myspell z ktorého genrujem slabiky, ak má nejaké slovo na konci prípony ktoré sú bežné v slovenčine stemmer ich vie odstrániť aj keď je slovo nezmyselné a môžem pekne testovať či fulltext funguje správne
• podpora slovenčiny vo fontoch, áno niekedy by som najradšej grafika nakopal keď dodá font v ktorom nie sú znaky ako Ľ, s lorem ipsum by som sa ani nedozvedel, že nejaké znaky chýbajú, nerád síce používam fontforge ale keď musím tak dokreslím ;)
• či sa grafika nerozletí / nevyteká keď sú všade použité náhodne generované texty s približne rovnakým rozdelením pravdepodobnosti ako pri reálnom texte

[Josef Kufner]

Na otestování unicode je lepší tam strčit nějaký smysluplný testovací řetězec, který ty znaky ověří všechny najednou. Pro češtinu se hodí například: Příliš žluťoučký kůň úpěl ďábelské ódy.

Na fulltext to zní jako rozumné, ale to jsem snad nikdy netestoval. Vždy jsem použil už odladěný nástroj.

Rozpadání grafiky by mělo nastávat zhruba stejně s lipsum jako s reálným textem. Délky slov až tak odlišné nejsou.

[pavlix]

Pro češtinu se hodí například: Příliš žluťoučký kůň úpěl ďábelské ódy.

Tak jestli všichni zkoušejí češtinu na tomto řetězci, tak to vysvětluje, proč se mi tak často špatně zobrazují pouze velká písmena s diakritikou.

[Josef Kufner]

Jo, na tom něco bude. Asi je ta věta potřeba dvakrát

[xm]

A co takhle pro trochu zajímavější výsledky použít rekurentní neuronovou síť? Viz aktuální článek The Unreasonable Effectiveness of Recurrent Neural Networks, výsledky dává fakt dechberoucí Obzvláště C kód generovaný RNN naučenou podle kódu Linuxového kernelu je pěkný, ale Shakespeare nebo Wikipedia také stojí za to

[xm]

(btw. zdrojový kód a zdrojová data té RNN v článku included)

[Bystroushaak]

To je dost dobrý.

[mirec]

Vďaka za ďalšiu hračku ;)

[dooku]

Na tohle jsou docela pekne Markovovy retezce. Neni to nic prevratneho, proste se projde text a vytvori se tabulka s pravdepodobnostmi vyskytu slov (tj, s jakou pravdepobnosti je slovo svete za slovem ahoj), z te tabulky se pak daji skladat pekne nahodne texty (celkem vtipna ukazka je treba King James Programming.

[Bystroushaak]

To je v podstatě to co udělal, až na to že na nižší úrovni.