【NLP】11⼤Java开源中⽂分词器的使⽤⽅法和分词效果对⽐
本⽂的⽬标有两个:
1、学会使⽤11⼤Java开源中⽂分词器
2、对⽐分析11⼤Java开源中⽂分词器的分词效果
本⽂给出了11⼤Java开源中⽂分词的使⽤⽅法以及分词结果对⽐代码,⾄于效果哪个好,那要⽤的⼈结合⾃⼰的应⽤场景⾃⼰来判断。
11⼤Java开源中⽂分词器,不同的分词器有不同的⽤法,定义的接⼝也不⼀样,我们先定义⼀个统⼀的接⼝:
Java代码
1. /**
2.  * 获取⽂本的所有分词结果, 对⽐不同分词器结果
3.  * @author 杨尚川
4.  */
5. public interface WordSegmenter {
6.    /**
7.      * 获取⽂本的所有分词结果
8.      * @param text ⽂本
9.      * @return 所有的分词结果,去除重复
try catch的使用方法
10.      */
11.    default public Set<String> seg(String text) {
12.        return segMore(text).values().stream().Set());
13.    }
14.    /**
15.      * 获取⽂本的所有分词结果
16.      * @param text ⽂本
17.      * @return 所有的分词结果,KEY 为分词器模式,VALUE 为分词器结果
18.      */
19.    public Map<String, String> segMore(String text);
20. }
从上⾯的定义我们知道,在Java中,同样的⽅法名称和参数,但是返回值不同,这种情况不可以使⽤重载。
这两个⽅法的区别在于返回值,每⼀个分词器都可能有多种分词模式,每种模式的分词结果都可能不相同,第⼀个⽅法忽略分词器模式,返回所有模式的所有不重复分词结果,第⼆个⽅法返回每⼀种分词器模式及其对应的分词结果。
在这⾥,需要注意的是我们使⽤了Java8中的新特性默认⽅法,并使⽤stream把⼀个map的value转换为不重复的集合。
下⾯我们利⽤这11⼤分词器来实现这个接⼝:
1、word分词器
Java代码
1. @Override
2. public Map<String, String> segMore(String text) {
3.    Map<String, String> map = new HashMap<>();
4.    for(SegmentationAlgorithm segmentationAlgorithm : SegmentationAlgorithm.values()){
5.        map.Des(), seg(text, segmentationAlgorithm));
6.    }
7.    return map;
8. }
9. private static String seg(String text, SegmentationAlgorithm segmentationAlgorithm) {
10.    StringBuilder result = new StringBuilder();
11.    for(Word word : WordSegmenter.segWithStopWords(text, segmentationAlgorithm)){
12.        result.Text()).append(" ");
13.    }
14.    String();
15. }
2、Ansj分词器
Java代码
1. @Override
2. public Map<String, String> segMore(String text) {
3.    Map<String, String> map = new HashMap<>();
4.
5.    StringBuilder result = new StringBuilder();
6.    for(Term term : BaseAnalysis.parse(text)){
7.        result.Name()).append(" ");
8.    }
9.    map.put("BaseAnalysis", String());
10.
11.    result.setLength(0);
12.    for(Term term : ToAnalysis.parse(text)){
13.        result.Name()).append(" ");
14.    }
15.    map.put("ToAnalysis", String());
16.
17.    result.setLength(0);
18.    for(Term term : NlpAnalysis.parse(text)){
19.        result.Name()).append(" ");
20.    }
21.    map.put("NlpAnalysis", String());
22.
23.    result.setLength(0);
24.    for(Term term : IndexAnalysis.parse(text)){
25.        result.Name()).append(" ");
26.    }
27.    map.put("IndexAnalysis", String());
28.
29.    return map;
30. }
3、Stanford分词器
Java代码
1. private static final StanfordCoreNLP CTB = new StanfordCoreNLP("StanfordCoreNLP-chinese-ctb");
2. private static final StanfordCoreNLP PKU = new StanfordCoreNLP("StanfordCoreNLP-chinese-pku");
3. private static final PrintStream NULL_PRINT_STREAM = new PrintStream(new NullOutputStream(), false);
4. p ublic Map<String, String> segMore(String text) {
5.    Map<String, String> map = new HashMap<>();
6.    map.put("Stanford Beijing University segmentation", seg(PKU, text));
7.    map.put("Stanford Chinese Treebank segmentation", seg(CTB, text));
8.    return map;
9. }
10. private static String seg(StanfordCoreNLP stanfordCoreNLP, String text){
11.    PrintStream err = ;
12.    System.setErr(NULL_PRINT_STREAM);
13.    Annotation document = new Annotation(text);
14.    stanfordCoreNLP.annotate(document);
15.    List<CoreMap> sentences = (CoreAnnotations.SentencesAnnotation.class);
16.    StringBuilder result = new StringBuilder();
17.    for(CoreMap sentence: sentences) {
18.        for (CoreLabel token: (CoreAnnotations.TokensAnnotation.class)) {
19.            String word = (CoreAnnotations.TextAnnotation.class);;
20.            result.append(word).append(" ");
21.        }
22.    }
23.    System.setErr(err);
24.    String();
25. }
4、FudanNLP分词器
Java代码
1. private static CWSTagger tagger = null;
2. static{
3.    try{
4.        tagger = new CWSTagger("lib/fudannlp_seg.m");
5.        tagger.setEnFilter(true);
6.    }catch(Exception e){
7.        e.printStackTrace();
8.    }
9. }
10. @Override
11. public Map<String, String> segMore(String text) {
12.    Map<String, String> map = new HashMap<>();
13.    map.put("FudanNLP", tagger.tag(text));
14.    return map;
15. }
5、Jieba分词器
Java代码
1. private static final JiebaSegmenter JIEBA_SEGMENTER = new JiebaSegmenter();
2. @Override
3. public Map<String, String> segMore(String text) {
4.    Map<String, String> map = new HashMap<>();
5.    map.put("INDEX", seg(text, SegMode.INDEX));
6.    map.put("SEARCH", seg(text, SegMode.SEARCH));
7.    return map;
8. }
9. private static String seg(String text, SegMode segMode) {
10.    StringBuilder result = new StringBuilder();
11.    for(SegToken token : JIEBA_SEGMENTER.process(text, segMode)){
12.        result.append(Token()).append(" ");
13.    }
14.    String();
15. }
6、Jcseg分词器
Java代码
1. private static final JcsegTaskConfig CONFIG = new JcsegTaskConfig();
2. private static final ADictionary DIC = ateDefaultDictionary(CONFIG);
3. static {
4.    CONFIG.setLoadCJKSyn(false);
5.    CONFIG.setLoadCJKPinyin(false);
6. }
7. @Override
8. public Map<String, String> segMore(String text) {
9.    Map<String, String> map = new HashMap<>();
11.    map.put("复杂模式", segText(text, JcsegTaskConfig.COMPLEX_MODE));
12.    map.put("简易模式", segText(text, JcsegTaskConfig.SIMPLE_MODE));
13.
14.    return map;
15. }
16. private String segText(String text, int segMode) {
17.    StringBuilder result = new StringBuilder();
18.    try {
19.        ISegment seg = ateJcseg(segMode, new Object[]{new StringReader(text), CONFIG, DIC});
20.        IWord word = null;
21.        while((())!=null) {
22.            result.Value()).append(" ");
23.        }
24.    } catch (Exception ex) {
25.        throw new RuntimeException(ex);
26.    }
27.    String();
28. }
7、MMSeg4j分词器
Java代码
1. private static final Dictionary DIC = Instance();
2. private static final SimpleSeg SIMPLE_SEG = new SimpleSeg(DIC);
3. private static final ComplexSeg COMPLEX_SEG = new ComplexSeg(DIC);
4. private static final MaxWordSeg MAX_WORD_SEG = new MaxWordSeg(DIC);
5. @Override
6. public Map<String, String> segMore(String text) {
7.    Map<String, String> map = new HashMap<>();
8.    map.put(Class().getSimpleName(), segText(text, SIMPLE_SEG));
9.    map.put(Class().getSimpleName(), segText(text, COMPLEX_SEG));
10.    map.put(MAX_Class().getSimpleName(), segText(text, MAX_WORD_SEG));
11.    return map;
12. }
13. private String segText(String text, Seg seg) {
14.    StringBuilder result = new StringBuilder();
15.    MMSeg mmSeg = new MMSeg(new StringReader(text), seg);
16.    try {
17.        Word word = null;
18.        while((())!=null) {
19.            result.String()).append(" ");
20.        }
21.    } catch (IOException ex) {
22.        throw new RuntimeException(ex);
23.    }
24.    String();
25. }
8、IKAnalyzer分词器
Java代码
1. @Override
2. public Map<String, String> segMore(String text) {
3.    Map<String, String> map = new HashMap<>();
4.
5.    map.put("智能切分", segText(text, true));
6.    map.put("细粒度切分", segText(text, false));
8.    return map;
9. }
10. private String segText(String text, boolean useSmart) {
11.    StringBuilder result = new StringBuilder();
12.    IKSegmenter ik = new IKSegmenter(new StringReader(text), useSmart);
13.    try {
14.        Lexeme word = null;
15.        while((())!=null) {
16.            result.LexemeText()).append(" ");
17.        }
18.    } catch (IOException ex) {
19.        throw new RuntimeException(ex);
20.    }
21.    String();
22. }
9、Paoding分词器
Java代码
1. private static final PaodingAnalyzer ANALYZER = new PaodingAnalyzer();
2. @Override
3. public Map<String, String> segMore(String text) {
4.    Map<String, String> map = new HashMap<>();
5.
6.    map.put("MOST_WORDS_MODE", seg(text, PaodingAnalyzer.MOST_WORDS_MODE));
7.    map.put("MAX_WORD_LENGTH_MODE", seg(text, PaodingAnalyzer.MAX_WORD_LENGTH_MODE));
8.
9.    return map;
10. }
11. private static String seg(String text, int mode){
12.    ANALYZER.setMode(mode);
13.    StringBuilder result = new StringBuilder();
14.    try {
15.        Token reusableToken = new Token();
16.        TokenStream stream = kenStream("", new StringReader(text));
17.        Token token = null;
18.        while((token = (reusableToken)) != null){
19.            result.()).append(" ");
20.        }
21.    } catch (Exception ex) {
22.        throw new RuntimeException(ex);
23.    }
24.    String();
25. }
10、smartcn分词器
Java代码
1. p rivate static final SmartChineseAnalyzer SMART_CHINESE_ANALYZER = new SmartChineseAnalyzer();
2. @Override
3. public Map<String, String> segMore(String text) {
4.    Map<String, String> map = new HashMap<>();
5.    map.put("smartcn", segText(text));
6.    return map;
7. }
8. private static String segText(String text) {
9.    StringBuilder result = new StringBuilder();

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。