JSON Tagger

Med detta API kan du hitta ordklass (substantiv, verb, adjektiv, ...) och grundform (programmet -> program) för ord i svensk text.

Skriv in en svensk mening:

Läs mer om API:et

Om API:et

API:et bygger på UDPipe, ett projekt vid Charles University i Tjeckien. UDPipe gör allt grovarbete:

Tokenisering av meningar och ord - Bryt isär texten i ord, och gruppera orden i meningar
Ordklasstaggning - Hitta varje ords ordklass, inklusive specifika egenskaper som singular/plural och passiva/aktiva former
Grundform - Hitta varje ords grundform
Prestanda - Även stora datamängder på kort tid, och med väldigt lite minne vilket gör att jag kan köra allt på en billig server

JSON Tagger (detta projekt) lägger till:

Gör all data tillgänglig via JSON. UDPipe svarar med data i ConLL-U-format vilket alla inte känner till. JSON förstår sig betydligt fler på, och det passar dessutom bra för data i webbmiljö.
Dokumenterar vad taggarna som UDPipe returnerar betyder (se nedan).

Vem ligger bakom detta?

JSON Tagger (detta projekt) skapades av Emil Stenström.
UDPipe skapades av Milan Straka.
(Den första versionen av JSON-tagger använde sig av efselab, av Robert Östling.)

Vill du använda API:et?

Då är det fritt fram! Du behöver inte fråga om lov först, men du får gärna skicka ett meddelande till mig på Twitter och berätta vad du använt det till!

Göra anrop

API:et kräver att du skickar en POST-request över HTTP. Det går att göra i alla plattformar och programmeringsspråk, men här är några av de vanligaste:

cURL
Python 3
Python 2
Ruby
Node.js
Java

cURL

cURL finns förinstallerat på alla Mac och Linux-datorer. Starta en terminal och kör:

curl https://json-tagger.com/tag -d "Fördomen har alltid sin rot i vardagslivet - Olof Palme"

Python 3

Installera först requests genom att skriva "pip install requests".

import requests
r = requests.post("https://json-tagger.com/tag", data="Fördomen har alltid sin rot i vardagslivet - Olof Palme".encode("utf-8"))
print(r.json())

Python 2

Installera först requests genom att skriva "pip install requests".

# -*- coding: utf-8 -*-
import requests
r = requests.post("https://json-tagger.com/tag", data=u"Fördomen har alltid sin rot i vardagslivet - Olof Palme".encode("utf-8"))
print r.json()

Ruby

Installera först http.rb genom att skriva "gem install http".

require 'http'
r = HTTP.post("https://json-tagger.com/tag", :body => "Fördomen har alltid sin rot i vardagslivet - Olof Palme")
puts r.to_s

Node.js

Installera först request genom att skriva "npm install -g request".

var request = require('request');
request.post({url: 'https://json-tagger.com/tag', body: "Fördomen har alltid sin rot i vardagslivet - Olof Palme"}, function (error, response, body) {
    console.log(body)
})

Java

Spara koden nedan i en fil som heter JsonTagger.java, och kompilera den med "javac JsonTagger.java". Sen kan du köra den med "java JsonTagger".

import java.net.*;
import java.io.*;

public class JsonTagger {
    public static void main(String[] args) throws Exception {
        URL url = new URL("https://json-tagger.com/tag");
        String text = "Fördomen har alltid sin rot i vardagslivet - Olof Palme";

        HttpURLConnection conn = (HttpURLConnection) url.openConnection();
        conn.setRequestMethod("POST");
        conn.setDoOutput(true);

        DataOutputStream wr = new DataOutputStream(conn.getOutputStream());
        wr.write(text.getBytes());

        BufferedReader reader = new BufferedReader(new InputStreamReader(conn.getInputStream()));
        String output;
        while ((output = reader.readLine()) != null) {
            System.out.println(output);
        }
    }
}

Svaret från API:et

API:et returnerar JSON, ett format som det finns bibliotek för att läsa i alla programmeringsspråk.

{
    "sentences": [
        [
            {
                "word_form": "Fördomen",
                "lemma": "Fördom",
                "ud_tags": {
                    "pos_tag": "NOUN",
                    "features": {
                        "Case": "Nom",
                        "Definite": "Def",
                        "Gender": "Com",
                        "Number": "Sing"
                    }
                },
                "sentence_id": 0,
                "word_id": 0
            },
            {
                "word_form": "har",
                "lemma": "ha",
                "ud_tags": {
                    "pos_tag": "VERB",
                    "features": {
                        "Mood": "Ind",
                        "Tense": "Pres",
                        "VerbForm": "Fin",
                        "Voice": "Act"
                    }
                },
                "sentence_id": 0,
                "word_id": 1
            },
            {
                "word_form": "alltid",
                "lemma": "alltid",
                "ud_tags": {
                    "pos_tag": "ADV",
                    "features": null
                },
                "sentence_id": 0,
                "word_id": 2
            },
            {
                "word_form": "sin",
                "lemma": "sig",
                "ud_tags": {
                    "pos_tag": "DET",
                    "features": {
                        "Definite": "Def",
                        "Gender": "Com",
                        "Number": "Sing",
                        "Poss": "Yes",
                        "PronType": "Prs"
                    }
                },
                "sentence_id": 0,
                "word_id": 3
            },
            {
                "word_form": "rot",
                "lemma": "rot",
                "ud_tags": {
                    "pos_tag": "NOUN",
                    "features": {
                        "Case": "Nom",
                        "Definite": "Ind",
                        "Gender": "Com",
                        "Number": "Sing"
                    }
                },
                "sentence_id": 0,
                "word_id": 4
            },
            {
                "word_form": "i",
                "lemma": "i",
                "ud_tags": {
                    "pos_tag": "ADP",
                    "features": null
                },
                "sentence_id": 0,
                "word_id": 5
            },
            {
                "word_form": "vardagslivet",
                "lemma": "vardagsliv",
                "ud_tags": {
                    "pos_tag": "NOUN",
                    "features": {
                        "Case": "Nom",
                        "Definite": "Def",
                        "Gender": "Neut",
                        "Number": "Sing"
                    }
                },
                "sentence_id": 0,
                "word_id": 6
            },
            {
                "word_form": "-",
                "lemma": "-",
                "ud_tags": {
                    "pos_tag": "PUNCT",
                    "features": null
                },
                "sentence_id": 0,
                "word_id": 7
            },
            {
                "word_form": "Olof",
                "lemma": "Olof",
                "ud_tags": {
                    "pos_tag": "PROPN",
                    "features": {
                        "Case": "Nom"
                    }
                },
                "sentence_id": 0,
                "word_id": 8
            },
            {
                "word_form": "Palme",
                "lemma": "Palme",
                "ud_tags": {
                    "pos_tag": "PROPN",
                    "features": {
                        "Case": "Nom"
                    }
                },
                "sentence_id": 0,
                "word_id": 9
            }
        ]
    ]
}

Förklaring av svarsformatet

sentences

En lista med meningar, som i sin tur består av ord. Varje ord har följande egenskaper:

word_form

Ordet som det skickades in till API:et, oförändrat.
Exempel: "Fördomen"

lemma

Grundformen för detta ord.
Exempel: "fördom"

ud_tags

Här finns ordklasstaggar för detta ord i Universal Dependency (UD)-format. Detta format fungerar för fler språk än svenska så det kan vara användbart om du ska skicka vidare resultatet till ett annat system.

pos_tag

Ordklassen för detta ord, som förkortningar med tre eller fyra bokstäver.
Exempel: "NOUN"

features

Mer detaljerade egenskaper för just den här ordklassen, i form av nyckel/värde-par. Om det finns flera värden skiljs dom med ett ","-tecken.

Exempel: {
    "Case": "Nom",
    "Definite": "Def",
    "Gender": "Com",
    "Number": "Sing"
}

sentence_id

Ett ID som beskriver i vilken mening i originaltexten som detta ord hittades. Första meningen är noll.
Exempel: 0

word_id

Ett ID som beskriver var i meningen detta ord hittades. Första ordet är noll.
Exempel: 0

Förklaring av UD-ordklasstaggarna

Förkortningarna i pos_tag motsvarar alltså ordklasser. Ordklasserna (både dessa och de mer specifika nedan) kommer från ett projekt som heter Universal Dependencies. Taggarna är speciellt framtagna för att fungera på flera olika språk.

Kod	Ordklass	Exempel
ADJ	Adjektiv	glad
ADP	Adposition	hos
ADV	Adverb	inte
AUX	Hjälpverb	skulle
CCONJ	Samordnande konjunktion	och
DET	Determinativa pronomen	den
INTJ	Interjektion	usch!
NOUN	Substantiv	pudding
NUM	Räkneord	123
PART	Partikel	ju
PRON	Pronomen	vem
PROPN	Egennamn	Carl
PUNCT	Skiljetecken	. (punkt)
SCONJ	Subjunktion	att
SYM	Symbol	€
VERB	Verb	kasta
X	Övrigt

Ordklasserna ovan är relativt grovkorniga. För att gå mer på djupet finns även specifika böjningsformer i features. Dessa finns dokumenterade på engelska på Universial Dependencies feature-referens.