Analizador

Analyzer(path=None)

Analizador morfológico: para una forma de palabra busca todos sus análisis en un diccionario creado a partir de Wiktionary - el lema, la categoría gramatical y los rasgos de Universal Dependencies - y los ordena por probabilidad. Un token que el diccionario no tiene recibe los análisis de unas reglas, y una palabra desconocida en minúsculas se estima. El diccionario se carga al crear el analizador.

Excepciones:

• FileNotFoundError - el archivo del diccionario no existe;
• OSError - el archivo del diccionario no se puede leer: sin acceso, la ruta es un directorio, una tubería o un dispositivo;
• ValueError - el archivo no es un diccionario de esMorph o está dañado, la ruta tiene un carácter NUL;
• TypeError - una ruta que no es una cadena ni PathLike.

CódigoResultado

from esmorph import Analyzer

morph = Analyzer()
morph.analyze("hablamos")[0]

Analysis(word='hablamos', lemma='hablar', pos='VERB', feats={'Mood': 'Ind', 'Number': 'Plur', 'Person': '1', 'Tense': 'Pres', 'VerbForm': 'Fin'}, prob=0.978261, words=('hablamos',), source='dictionary')

Parámetros

Parámetro	Tipo	Por defecto	Descripción
path	str / PathLike	None	Ruta al archivo del diccionario; por defecto, el diccionario del paquete

El objeto guarda la ruta absoluta del diccionario en path, de tipo Path y solo de lectura. El archivo del diccionario se proyecta en memoria, así que los procesos con el mismo archivo comparten su memoria. Mientras exista un analizador, el archivo no debe sobrescribirse en su lugar, pero se puede sustituir por un archivo nuevo; en Windows un archivo abierto no se puede ni sustituir ni borrar. Un diccionario es un dato de confianza, como el código: la carga rechaza un archivo dañado, pero no todo archivo creado a propósito, así que no se deben cargar diccionarios de fuentes no fiables.

Métodos

Análisis de una forma de palabra

analyze · list[Analysis]

analyze(word)

Los análisis de la forma de palabra, primero el más probable; las probabilidades suman 1. Las mayúsculas no importan para buscar la palabra en el diccionario, aunque un token con mayúscula también puede ser un nombre, y una palabra que no está tal como se escribe se busca sin sus tildes y con una diéresis perdida (ortografía). Un verbo con pronombres enclíticos se analiza como su verbo (clíticos), un token que el diccionario no tiene - un signo, un número, un nombre - por reglas, y una palabra desconocida en minúsculas se estima. Un token que nada analiza - con un espacio o un carácter de control, una palabra en minúsculas sin modelo como qzxw - no tiene análisis.

Parámetro	Tipo	Por defecto	Descripción
word	str	-	Forma de palabra

Excepciones:

• TypeError - una palabra que no es una cadena.

CódigoResultado

[(a.lemma, a.pos, round(a.prob, 3)) for a in morph.analyze("casa")]
[(a.lemma, a.source) for a in morph.analyze("zumbeábamos")][:1]

[('casa', 'NOUN', 0.986), ('casar', 'VERB', 0.013), ('casar', 'VERB', 0.0)]
[('zumbear', 'guess')]

Análisis de una lista de formas

analyze_many · list[list[Analysis]]

analyze_many(words)

Los análisis de cada forma de palabra, como con analyze.

Parámetro	Tipo	Por defecto	Descripción
words	Iterable[str]	-	Formas de palabra: una lista, una tupla, un generador

Excepciones:

• TypeError - una cadena o bytes en lugar de una colección de palabras, una palabra que no es una cadena.

CódigoResultado

[len(analyses) for analyses in morph.analyze_many(["el", "gato", "come"])]

[2, 1, 2]

Lematización

lemmatize · list[str]

lemmatize(words)

Los lemas de los análisis más probables de las formas de palabra; un token sin análisis vuelve en minúsculas. Los lemas iguales son un mismo objeto de cadena, así que los lemas de un texto grande ocupan poca memoria; el método libera el GIL.

Parámetro	Tipo	Por defecto	Descripción
words	Iterable[str]	-	Formas de palabra: una lista, una tupla, un generador

Excepciones:

• TypeError - una cadena o bytes en lugar de una colección de palabras, una palabra que no es una cadena.

CódigoResultado

morph.lemmatize(["Los", "niños", "cantaban", "canciones"])

['el', 'niño', 'cantar', 'canción']

Forma de palabra del diccionario

is_known · bool

is_known(word)

Si el diccionario tiene la forma de palabra, tal como está escrita o como un verbo del diccionario con clíticos; como en analyze, las mayúsculas y las tildes perdidas no importan. Los tokens analizados por reglas y las palabras estimadas no están en el diccionario.

Parámetro	Tipo	Por defecto	Descripción
word	str	-	Forma de palabra

Excepciones:

• TypeError - una palabra que no es una cadena.

CódigoResultado

morph.is_known("Gatos"), morph.is_known("zumbeábamos")

(True, False)

Diccionario

El diccionario del paquete se crea a partir del Wiktionary en inglés de octubre de 2026: 676 mil formas de palabra de 117 mil lexemas. Los símbolos de unidades (km, kg) vienen de una tabla propia, y los determinantes, los pronombres, las preposiciones, las conjunciones y los numerales en letras, de una tabla según el treebank UD Spanish AnCora, cuyas convenciones siguen los lemas y los rasgos (Análisis de palabras). Las probabilidades de los análisis vienen de las partes de entrenamiento de UD Spanish AnCora y UD Spanish GSD; las formas que estas no tienen se ordenan por su terminación y los rasgos más comunes. El diccionario se distribuye bajo la licencia CC BY-SA 4.0.

Hilos y procesos

Un mismo analizador se puede usar desde varios hilos. lemmatize libera el GIL, así que los hilos lo aceleran. analyze_many crea los análisis como objetos de Python, así que los hilos lo aceleran poco en cualquier Python, también en 3.14t sin GIL: para un texto grande, lemmatize o los procesos son más rápidos. El analizador y los análisis se serializan con pickle, así que funcionan con multiprocessing y joblib: los procesos comparten el diccionario proyectado en memoria. Serializar un análisis cuesta más que encontrarlo, así que los procesos que devuelven lemas o tuplas de campos son más rápidos que los que devuelven análisis. Pickle guarda la ruta absoluta del archivo del diccionario (ninguna para el diccionario del paquete) y el lugar del análisis en las tablas de ese diccionario, que solo se busca de nuevo con otro diccionario: al deserializar, cada diccionario se carga una vez por proceso, así que los análisis deserializados uno a uno comparten un mismo analizador, un análisis cuyo archivo de diccionario ya no existe toma el diccionario del paquete, y un archivo dañado lanza ValueError. Un análisis que el diccionario no tiene, como uno guardado con otra versión del diccionario, conserva sus campos, pero forms() da una lista vacía e inflect lanza FormNotFoundError.

CódigoResultado

from concurrent.futures import ThreadPoolExecutor

texts = [["los", "niños", "cantaban"], ["el", "gato", "come"]]
with ThreadPoolExecutor(2) as pool:
    lemmas = list(pool.map(morph.lemmatize, texts))
lemmas

[['el', 'niño', 'cantar'], ['el', 'gato', 'comer']]