Программа для определения частей речи в тексте

{{ word.morphem }}
{{ word.word }}

Характеристика

По цели высказывания: {{ purpose[syn.purpose] }}

По интонации: {{ emotionalColoring[syn.emotionalColoring] }}

Простое

Сложное

По наличию главных членов: {{ mainMembers[syn.mainMembers] }}

По наличию второстепенных членов: {{ minorMembers[syn.minorMembers] }}

Не осложнено обращениями, вводными словами и однородными членами

Осложнено однородными членами

Осложнено вводными словами

Осложнено обращениями

Сложносочинённое предложение. Количество простых предложений: {{ syn.countRoot }}.

Cложноподчиненное предложение.

  • {{ error }}


{{ infoService }}

Онлайн программа «Части речи в предложении Текстовод» бесплатно осуществляет помощь в определении частей речи в вашем предложении.

Гости нашего сайта, не прошедшие регистрацию, могут разобрать до 10 000 символов.

Обратите внимание на PRO-версию.

Оформив её, вам становятся доступны для проверки 100 000 знаков, в то время, как обычным зарегистрированным пользователям открыт доступ к 15 000 символов.

Также, для PROдвинутых пользователей выделяется индивидуальная очередь, что ускоряет выполнение задач.

Немаловажным является то, что выбирая PRO-версию, для вас отключается показ рекламы.

Чтобы воспользоваться сервисом, нужно ввести в рабочее поле ваше предложение и нажать кнопку «Выполнить».

Результатом является анализ каждого слова по-отдельности, схема слов с указанием части речи и их выделением как на письме.

Расшифровку аббревиатуры частей речи вы можете посмотреть, нажав на кнопку «словарь сокращений» (под разбором).

Разберём понятие частей речи.

Когда несколько слов имеют единые морфологические признаки, одинаковое грамматическое и лексическое значение, а также выполняют общие синтаксические функции — их можно считать частями речи.

В 1757 г. М.В. Ломоносов первый раз описал части речи русского языка.

На сегодняшний день лингвисты до конца не определились с их количеством.

Выделяют 3 основные группы частей речи:

  • самостоятельные (имена существительные, прилагательные, числительные, местоимения, глаголы, причастия, деепричастия, наречия),

  • служебные (предлоги, союзы, частицы),

  • междометия.

Забавные факты о частях речи.

Имя cyщecтвитeльнoe – «xлeб» pyccкoгo языкa. Оно является основной частью речи. «Все танцы с бубнами» происходят вокруг существительного. Хлебом не только утоляют голод, он считается символом благополучия. B имени cyщecтвитeльнoм находится вcя вaжнocть выcкaзывaния, eгo нaличиe определяет единство вceгo пpeдлoжeния.

Известно около 250 союзов, а в основном используют три: А, И, ИЛИ.

В русском языке всего 3 формы глагола (настоящее, прошлое и будущее), а в английском языке их 6!

Во Вьетнаме существует восемь местоимений для 1 л в ед. числе, в то время как в России используют универсальное «Я». Применение местоимений во вьетнамском языке зависит от пола человека, а также его социального положения.

Время на прочтение
9 мин

Количество просмотров 91K

Пусть, дано предложение “Съешьте еще этих мягких французских булок, да выпейте чаю.”, в котором нам нужно определить часть речи для каждого слова:

[('съешьте', 'глаг.'), ('еще', 'нареч.'), ('этих', 'местоим. прил.'), ('мягких', 'прил.'), ('французских', 'прил.'), ('булок', 'сущ.'), ('да', 'союз'), ('выпейте', 'глаг.'), ('чаю', 'сущ.')]

Зачем это нужно? Например, для автоматического определения тегов для блог-поста (для отбора существительных). Морфологическая разметка является одним из первых этапов компьютерного анализа текста.

Существующие решения

Конечно, все уже придумано до нас. Существует mystem от Яндекса, TreeTagger с поддержкой русского языка, на питоне есть nltk, а также pymorphy от kmike. Все эти утилиты отлично работают, правда, у pymorphy нет поддержки питона 3, а у nltk поддержка третей версии питона только в бете (и там вечно что-то отваливается). Но реальная цель для создания модуля — академическая, понять как работает морфологический анализатор.

Алгоритм

Для начала разберемся, как обычный человек определяет к какой части речи относится слово.

  • Обычно мы знаем к какой части речи относится знакомое нам слово. Например, мы знаем, что “съешьте” — это глагол.
  • Если нам встречается слово, которое мы не знаем, то мы можем угадать часть речи, сравнивая с уже знакомыми словами. Например, мы можем догадаться, что слово “конгруэнтность” — это существительное, т.е. имеет окончание “-ость”, присущее обычно существительным.
  • Мы также можем догадаться какая это часть речи, проследив за цепочкой слов в предложении: “съешьте французских x” — в этом примере, х скорее всего будет существительным.
  • Длина слова также может дать полезную информацию. Если слово состоит всего лишь из одной или двух букв, то скорее всего это предлог, местоимение или союз.

Конечно, для компьютера эта задача будет несколько сложнее, т.к. у него нет той базы знаний, которой обладает человек. Но мы постараемся смоделировать обучение компьютера, используя доступные нам данные.

Данные

Для обучения нашего скрипта я использовал национальный корпус русского языка. Часть корпуса, СинТагРус, представляет собой коллекцию текстов с размеченной информацией для каждого слова, такой как, часть речи, число, падеж, время глагола и т.д. Так выглядит часть корпуса в XML формате:

<se>
<w><ana lex="между" gr="PR"></ana>М`ежду</w>
<w><ana lex="то" gr="S-PRO,n,sg=ins"></ana>тем</w> 
<w><ana lex="конкурент" gr="S,m,anim=pl,nom"></ana>конкур`енты</w>
<w><ana lex="наступать" gr="V,ipf,intr,act=pl,praes,3p,indic"></ana>наступ`ают</w> 
<w><ana lex="на" gr="PR"></ana>на</w> 
<w><ana lex="пятка" gr="S,f,inan=pl,acc"></ana>п`ятки</w> .
</se>
<se>
<w><ana lex="вот" gr="PART"></ana>Вот</w> 
<w><ana lex="так" gr="ADV-PRO"></ana>так</w>,
<w><ana lex="за" gr="PR"></ana>з`а</w> 
<w><ana lex="пять" gr="NUM=acc"></ana>пять</w> 
<w><ana lex="минута" gr="S,f,inan=pl,gen"></ana>мин`ут</w> 
<w><ana lex="до" gr="PR"></ana>до</w> 
<w><ana lex="съемка" gr="S,f,inan=pl,gen"></ana>съёмок</w> ,
<w><ana lex="родиться" gr="V,pf,intr,med=m,sg,praet,indic"></ana>род`илс`я</w> 
<w><ana lex="новый" gr="A=m,sg,nom,plen"></ana>н`овый</w>
<w><ana lex="персонаж" gr="S,m,anim=sg,nom"></ana>персон`аж</w> .
</se>

Предложения заключены в теги <se>, внутри которых расположены слова в теге <w>. Информация о каждом слове содержится в теге <ana>, аттрибут lex соответствует лексеме, gr — грамматические категории. Первая категория — это часть речи:

'S': 'сущ.',
'A': 'прил.',
'NUM': 'числ.',
'A-NUM': 'числ.-прил.',
'V': 'глаг.',
'ADV': 'нареч.',
'PRAEDIC': 'предикатив',
'PARENTH': 'вводное',
'S-PRO': 'местоим. сущ.',
'A-PRO': 'местоим. прил.',
'ADV-PRO': 'местоим. нареч.',
'PRAEDIC-PRO': 'местоим. предик.',
'PR': 'предлог',
'CONJ': 'союз',
'PART': 'частица',
'INTJ': 'межд.'

SVM

В качестве алгоритма обучения я выбрал метод опорных векторов (SVM). Если вы не знакомы с SVM или алгоритмами машинного обучения в общем, то представьте, что SVM это некий черный ящик, который принимает на вход характеристики данных, а на выходе классификацию по заранее заданным категориям. В качестве характеристик мы зададим, например, окончание слова, а в качестве категорий — части речи.

Чтобы черный ящик автоматически распознавал часть речи, для начала его нужно обучить, т.е. дать много характеристик примеров на вход, и соответствующие им части речи на выход. SVM построит модель, которая при достаточных данных будет в большинстве случаев корректно определять часть речи.

Даже в академических целях реализовать SVM лень, поэтому воспользуемся готовой библиотекой LIBLINEAR на С++, которая имеет обертку для питона. Для обучения модели используем функцию train(prob, param), которая принимает в качестве первого аргумента задачу: problem(y, x), где y — это массив частей речи для каждого примера из массива x. Каждый пример представлен в свою очередь вектором характеристик. Чтобы добиться такой постановки задачи, нам нужно сначала соотнести каждую часть речи и каждую характеристику с неким числовым номером. Например:

'''
съешьте - глагол
выпейте - глагол 
чаю - сущ.
'''

x = [{1001: 1, 2001: 1, 3001: 1}, # 1001 - съешьте, 2001 - ьте, 3001 - те
{1002: 1, 2002: 1, 3001: 1}, # 1002 - выпейте, 2002 - йте, 3001 - те
{1003: 1, 2003: 1, 3002: 1}] # 1003 - чаю, 2003 - чаю, 3002 - аю
y = [1, 1, 2] # 1 - глагол, 2 - сущ.

import liblinearutil as svm

problem = svm.problem(y, x) # создаем задачу
param = svm.parameter('-c 1 -s 4') # параметры обучения
model = svm.train(prob, param) # обучаем модель

# используем модель для распознания слова 'съешьте'
label, acc, vals = svm.predict([0], {1001: 1, 2001: 1, 3001: 1}, model, '') # [0] - обозначает, что часть речи нам неизвестна

В итоге наш алгоритм такой:

  1. Читаем файл корпуса и для каждого слова определяем его характеристики: само слово, окончание (2 и 3 последних буквы), приставка (2 и 3 первые буквы), а также части речи предыдущих слов
  2. Каждой части речи и характеристике присваиваем порядковый номер и создаем задачу для обучения SVM
  3. Обучаем модель SVM
  4. Используем обученную модель для определения части речи слов в предложении: для этого каждое слово нужно опять представить в виде характеристик и подать на вход SVM модели, которая подберет наиболее подходящий класс, т.е. часть речи.

Реализация

С исходными кодами можете ознакомиться здесь: github.com/irokez/Pyrus/tree/master/src

Корпус

Для начала нужно получить размеченный корпус. Национальный корпус русского языка распространяется очень загадочным образом. На самом сайте корпуса можно только производить поиск по текстам, но при этом скачать целиком корпус нельзя:

“Оффлайновая версия корпуса недоступна, однако для свободного пользования предоставляется случайная выборка предложений (с нарушенным порядком) из корпуса со снятой омонимией объёмом 180 тыс. словоупотреблений (90 тыс. – пресса, по 30 тыс. из художественных текстов, законодательства и научных текстов)”.

При этом в википедии написано

“The corpus will be made available off-line and distributed for non-commercial purposes, but currently due to some technical and/or copyright problems it is accessible only on-line.”

Хотя для наших целей пойдет и небольшая выборка из корпуса, доступная тут: www.ruscorpora.ru/download/shuffled_rnc.zip

Файлы в полученном архиве нужно пропустить через утилиту convert-rnc.py, которая переводит текст в UTF-8 и исправляет XML разметку. После этого, возможно, еще нужно пофиксить XML вручную (xmllint вам в помощь). Файл rnc.py содержит простой класс Reader для чтения нормализованных XML файлов нац. корпуса.

import xml.parsers.expat

class Reader:
	def __init__(self):
		self._parser = xml.parsers.expat.ParserCreate()
		self._parser.StartElementHandler = self.start_element
		self._parser.EndElementHandler = self.end_element
		self._parser.CharacterDataHandler = self.char_data		

	def start_element(self, name, attr):
		if name == 'ana':
			self._info = attr

	def end_element(self, name):
		if name == 'se':
			self._sentences.append(self._sentence)
			self._sentence = []
		elif name == 'w':
			self._sentence.append((self._cdata, self._info))
		elif name == 'ana':
			self._cdata = ''

	def char_data(self, content):
		self._cdata += content

	def read(self, filename):
		f = open(filename)
		content = f.read()
		f.close()

		self._sentences = []
		self._sentence = []
		self._cdata = ''
		self._info = ''

		self._parser.Parse(content)		

		return self._sentences

Метод Reader.read(self, filename) читает файл и выдает список предложений:

[[('Вод`итель', {'lex': 'водитель', 'gr': 'S,m,anim=sg,nom'}), ('дес`ятки', {'lex': 'десятка', 'gr': 'S,f,inan=sg,gen'}), ('кот`орую', {'lex': 'который', 'gr': 'A-PRO=f,sg,acc'}), ('прест`упники', {'lex': 'преступник', 'gr': 'S,m,anim=pl,nom'}), ('пойм`али', {'lex': 'поймать', 'gr': 'V,pf,tran=pl,act,praet,indic'}), ('у', {'lex': 'у', 'gr': 'PR'}), ('ВВЦ', {'lex': 'ВВЦ', 'gr': 'S,m,inan,0=sg,gen'}), ('оказ`ал', {'lex': 'оказать', 'gr': 'V,pf,tran=m,sg,act,praet,indic'}), ('им', {'lex': 'они', 'gr': 'S-PRO,pl,3p=dat'}), ('`яростное', {'lex': 'яростный', 'gr': 'A=n,sg,acc,inan,plen'}), ('сопротивл`ение', {'lex': 'сопротивление', 'gr': 'S,n,inan=sg,acc'}), ('за', {'lex': 'за', 'gr': 'PR'}), ('что', {'lex': 'что', 'gr': 'S-PRO,n,sg=acc'}), ('поплат`ился', {'lex': 'поплатиться', 'gr': 'V,pf,intr,med=m,sg,praet,indic'}), ('ж`изнью', {'lex': 'жизнь', 'gr': 'S,f,inan=sg,ins'})]]
Обучение и разметка текста

Библиотеку SVM можно скачать тут: http://www.csie.ntu.edu.tw/~cjlin/liblinear/. Чтобы обертка под питон заработала под 3-й версией я написал небольшой патч.

Файл pos.py содержит два основных класса: Tagger и TaggerFeatures. Tagger — это, собственно, класс, который осуществляет разметку текста, т.е. определяет для каждого слова его часть речи. Метод Tagger.train(self, sentences, labels) принимает в качестве аргументов список предложений (в том же формате, что и выдает rnc.Reader.read), а также список частей речи для каждого слова, после чего обучает SVM модель, используя библиотеку LIBLINEAR. Обученная модель впоследствии сохраняется (через метод Tagger.save), чтобы не обучать модель каждый раз. Метод Tagger.label(self, sentence) производит разметку предложения.

Класс TaggerFeatures предназначен для генерации характеристик для обучения и разметки. TaggerFeatures.from_body() возвращает характеристику по форме слова, т.е. возвращает ID слова в корпусе. TaggerFeatures.from_suffix() и TaggerFeatures.from_prefix() генерируют характеристики по окончанию и приставке слов.

Чтобы запустить обучение модели, был написан скрипт train.py, который читает файлы корпуса при помощи rnc.Reader, а затем вызывает метод Tagger.train:

import sys
import re

import rnc
import pos

sentences = []
sentences.extend(rnc.Reader().read('tmp/media1.xml'))
sentences.extend(rnc.Reader().read('tmp/media2.xml'))
sentences.extend(rnc.Reader().read('tmp/media3.xml'))

re_pos = re.compile('([w-]+)(?:[^w-]|$)'.format('|'.join(pos.tagset)))

tagger = pos.Tagger()

sentence_labels = []
sentence_words = []
for sentence in sentences:
	labels = []
	words = []
	for word in sentence:
		gr = word[1]['gr']
		m = re_pos.match(gr)
		if not m:
			print(gr, file = sys.stderr)

		pos = m.group(1)
		if pos == 'ANUM':
			pos = 'A-NUM'

		label = tagger.get_label_id(pos)
		if not label:
			print(gr, file = sys.stderr)

		labels.append(label)

		body = word[0].replace('`', '')
		words.append(body)

	sentence_labels.append(labels)
	sentence_words.append(words)

tagger.train(sentence_words, sentence_labels, True)
tagger.train(sentence_words, sentence_labels)
tagger.save('tmp/svm.model', 'tmp/ids.pickle')

После того, как модель обучена и сохранена, мы, наконец, получили скрипт для разметки текста. Пример использования показан в test.py:

import sys
import pos

sentence = sys.argv[1].split(' ')

tagger = pos.Tagger()
tagger.load('tmp/svm.model', 'tmp/ids.pickle')

rus = {
	'S': 'сущ.', 
	'A': 'прил.', 
	'NUM': 'числ.', 
	'A-NUM': 'числ.-прил.', 
	'V': 'глаг.', 
	'ADV': 'нареч.', 
	'PRAEDIC': 'предикатив', 
	'PARENTH': 'вводное', 
	'S-PRO': 'местоим. сущ.', 
	'A-PRO': 'местоим. прил.', 
	'ADV-PRO': 'местоим. нареч.', 
	'PRAEDIC-PRO': 'местоим. предик.', 
	'PR': 'предлог', 
	'CONJ': 'союз', 
	'PART': 'частица', 
	'INTJ': 'межд.', 
	'INIT': 'инит', 
	'NONLEX': 'нонлекс'
}

tagged = []
for word, label in tagger.label(sentence):
	tagged.append((word, rus[tagger.get_label(label)]))

print(tagged)

Работает так:
$ src/test.py "Съешьте еще этих мягких французских булок, да выпейте же чаю"
[('Съешьте', 'глаг.'), ('еще', 'нареч.'), ('этих', 'местоим. прил.'), ('мягких', 'прил.'), ('французских', 'прил.'), ('булок,', 'сущ.'), ('да', 'союз'), ('выпейте', 'глаг.'), ('же', 'частица'), ('чаю', 'сущ.')]

Тестирование

Для оценки точности классификации работы алгоритма, метод обучения Tagger.train() имеет необязательного параметр cross_validation, который, если установлен как True, выполнит перекрестную проверку, т.е. данные обучения разбиваются на K частей, после чего каждая часть по очереди используется для оценки работы метода, в то время как остальная часть используется для обучения. Мне удалось добиться средней точности в 92%, что вполне неплохо, учитывая, что была использована лишь доступная часть нац. корпуса. Обычно точность разметки части речи колеблется в пределах 96-98%.

Заключение и планы на будущее

В общем, было интересно поработать с нац. корпусом. Видно, что работа над ним проделана большая, и в нем содержится большое количество информации, которую хотелось бы использовать в полной мере. Я послал запрос на получение полной версии, но ответа пока, к сожалению, нет.

Полученный скрипт разметки можно легко расширить, чтобы он также определял другие морфологические категории, например, число, род, падеж и др. Чем я и займусь в дальнейшем. В перспективе хотелось бы, конечно, написать синтаксический парсер русского языка, чтобы получить структуру предложения, но для этого нужна полная версия корпуса.

Буду рад ответить на вопросы и предложения.
Исходный код доступен здесь: github.com/irokez/Pyrus
Демо: http://vps11096.ovh.net:8080

Для начала разберемся с терминологией: для предложения существует только синтаксический разбор. В этом разборе указывается подлежащее, сказуемое и другие члены предложения. Указать часть речи можно только для слова. Тем не менее, в синтаксический разбор предложения часто входит задача указать часть речи для каждого слова. И есть сервисы, где можно ввести либо предложение целиком, либо по одному слову. И они дают вам информацию по частям речи для каждого слова.

Goldlit

В этом сервисе можно ввести предложение целиком и получить морфологический разбор каждого слова. В который, конечно же, входит и часть речи. Например:

Разбор Goldlit

Разбор Goldlit

Как видите, обнаруженное слово ставится в начальную форму и для него указывается:

  • Начальная форма.
  • Часть речи.
  • Грамматика – что тут указывается зависит от части речи.
  • Формы слова.

Нас интересует часть речи. Но будьте внимательны сервис недостаточно умен, чтобы всегда корректно его определить. Например, частица «уж». В приведенном предложении это частица, а никакое не существительное «уж». Про ужей тут речи не идет. Так что результаты пословного разбора предложения надо перепроверять вручную. В этом смысле он ничуть не выигрывает у сервисов, где вводится одно слово. Если б он мог из контекста определить значение, то выигрывал бы, а так – нет. Так что обратите внимание обычные на онлайн-сервисы морфологического разбора, они работают также. У меня один такой сервис описан тоже дальше.

Возьмем другой пример, повествовательное предложение  «Времени нет». 

Что скажет нам Goldlit?

Начальная форма: ВРЕМЕНИТЬ
Часть речи: глагол в личной форме
Грамматика: второе лицо, действительный залог, единственное число, переходный, несовершенный вид, повелительное наклонение (императив)

То есть слово «времени» он понял как глагол «повремени». Что явно неправда. Дальше правда указывается второе значение:

Начальная форма: ВРЕМЯ
Часть речи: существительное
Грамматика: единственное число, неодушевленное, родительный падеж, средний род
Формы: время, времени, временем, времена, времён, временам, временами, временах

Это уже правильно, существительное. В общем будьте внимательны при использовании подобных сервисов.

Чтобы воспользоваться сервисом:

  1. Перейдите по адресу http://goldlit.ru/component/slog
  2. Введите предложение.
  3. Вы получите морфологический разбор каждого слова.

Викислово

Здесь вы можете указать только одно слово. При этом дополнительно вам скажут, каким членом предложения может быть это слово. Либо один вариант, либо, если их несколько, то так и пишут. Разбор слова «времени» выглядит примерно так же:

Разбор слова в Викислово

А вот разбор слова «добавив». Тут уже однозначно указан член предложения. Это обстоятельство. Потому что деепричастия всегда являются обстоятельствами.

Разбор слова в Викислово

Разбор слова в Викислово

Morphologyonline

Этот сервис мне нравится даже больше: дизайн чище, рекламы меньше, работает не хуже.

Чтобы воспользоваться:

  1. Перейдите на сайт http://morphologyonline.ru/
  2. Введите слово в пустое поле.
  3. Щелкните кнопку «Разобрать».

Вы получите разбор:

Разбор слова в Morphologyonline

Разбор слова в Morphologyonline

Здесь третьей строкой идет «Синтаксическая роль». Это то же самое, что «Член предложения» в сервисе Викислово.

А второй строкой идут «Морфологические признаки», которые в первом сервисы обозначены как «Грамматика».  Тут они прописаны лучше, так как разделены на постоянные и непостоянные. Имеется в виду, что в зависимости от формы слова, какие-то признаки могут меняться, а какие-то нет. Например, существительное «время» всегда нарицательное, неодушевленное, среднего рода и 2 склонения. Это постоянные признаки. А падеж  и число могут меняться в зависимости от формы слова: «нет времени», «дай время», «с давних времен». Тут родительный, дательный, снова родительный падеж. И единственное, снова единственное и множественное число. Какую форму слова «время» употребишь, такой падеж и число и будет. Потому это непостоянные признаки.

Морфологический vs Морфемный

Морфологический разбор слова следует отличать от морфемного. В морфемный разбор слова входит определение корня, суффикса, окончания, основы слова. Для морфемного разбора тоже есть много сервисов, они описаны тут.

Морфемный разбор слова

Морфемный разбор слова

Синтаксический разбор предложения

Если вам надо определить не только части речи всех слов предложения, но и разобрать предложение в целом: по цели высказывания, подчеркнуть члены предложения, то используйте шпаргалки, коих полно в интернете. Кое-где можно даже поупражняться онлайн. Сравнение подобный сервисов у меня тут.

Синтаксический разбор предложения

Синтаксический разбор предложения

Определение части речи

Как определить части речи

Чтобы определить часть речи слова, вам достаточно ввести слово в форму поиска выше и нажать «Поиск». Система автоматически найдет слово в базе данных и выдаст вам результат.

Признаки частей речи

Части речи это группы слов, имеющие общие признаки значения, синтаксиса и морфологии. Интуитивно мы можем определить часть речи по вопросу, на который отвечает данное слово. 

  • Имя существительное обозначает предмет и отвечает на вопрос кто ? что ? в исходной форме
  • Имя прилагательное обозначает качество, признак или принадлежность предмета и отвечает на вопрос какой ? чей ?
  • Глагол обозначает действие или состояние, отвечает на вопрос что делать ? что сделать ?
  • Имя числительное обозначает количество или порядковый номер, и отвечает на вопрос сколько ? который по счёту ?
  • Местоимение указывает на предмет, но не определяет его, отвечает на вопрос кто ? что ?
  • Наречие описывает признак действия и отвечает на вопросы где ? когда ? как ? почему ?
  • Союз выражает смысловые отношения между частями речи, служебное слово
  • Предлог выражает синтаксическую зависимость объектов от других частей речи, служебное слово
  • Частица служит для выражение эмоциональных и смысловых оттенков
  • Междометие непосредственно выражает эмоции и желания, часто использует звукоподражание
  • Причастие выражает признак предмета по действию
  • Деепричастие выражает добавочное действие при основном действии

Прежде всего в разных языках разделяют имя, то есть описание объекта, и глагол, то есть описание действия. Из этого базового деления происходит более точная классификация, разделение имени на прилагательное и существительное, а также выделение различных глагольных форм, таких как причастие и деепричастие. 

Некоторые части речи являются спорными, и выделяются не всеми. К ним относятся, например, имена состояния, модальные слова и звукоподражания.

Поиск слов

Поиск слов с определением части речи и морфологическим разбором. Бесплатно и онлайн.

Наш сервис умеет определять часть речи русских слов и делать морфологические разборы. Воспользуйтесь формой поиска для разбора нужного слова. В форму поиска можно вводить только одно слово, набранное русскими буквами. Цифры, иностранные буквы, пробелы и знаки препинания не допускаются.

Разбор одновременно нескольких слов и словосочетаний, например существительного с предлогом, не может быть сделан в принципе, так как в русском языке нет понятия морфологического разбора словосочетаний. В случае нескольких слов вводите и разбирайте каждое слово отдельно.

При определении части речи слов учитывайте случаи одинакового написания слов, имеющих разный смысл и относящихся к разным частям речи. Например: вода стекла (глагол) — осколок стекла (сущ.), широкая дорога (сущ.) — она мне дорога (кратк. прил.), слив воды (сущ.) — слив воду (деепр.). Наш сайт определяет все возможные случаи и делает морфологические разборы для всех частей речи, к которым слово относится.

Понравилась статья? Поделить с друзьями: