分词工具比较及使用(ansj、hanlp、jieba)
一、分词工具
ansj、hanlp、jieba
二、优缺点
1.ansj
优点:
提供多种分词方式
可直接根据内部词库分出人名、机构等信息
可构造多个词库,在分词时可动态选择所要使用的词库
缺点:
自定义词典时,系统词典还是被优先使用,导致词性不是自定义词典中的词性
多单词英文姓名无法分出
适用场景
若不使用自定义分词,可直接使用ansj
2.hanlp
优点:
自定义分词、词性方便
可分出多单词的英文名称(词典数据可带空格)
可动态增删词库,
动态添加词典前五千万速度很快,5m左右
缺点:
动态添加词典前五千万快的很,越往后越慢
词典文件添加自定义词典速度略慢,添加100w需要2m30s
适用场景:
词典数量少于五千万,词典数据若包含空格,用hanlp比较合适
3.jieba
优点:
自定义分词、词性方便
词典文件添加自定义词典比hanlp快,词典文件添加100w需要1m,八千万 2h多
缺点:
自定义词典时,带空格的词不支持
适用场景:
词典数量大于五千万
词典数据不能包含空格,否则分不出
ansj的使用
1.maven引入ansj包
<ansj.version>5.0.4</ansj.version> <tree_split.version>1.5</tree_split.version> <nlp-lang.version>1.7.7</nlp-lang.version> <!-- ansj_seg --> <dependency> <groupId>org.ansj</groupId> <artifactId>ansj_seg</artifactId> <version>${ansj.version}</version> </dependency> <!-- tree_split --> <dependency> <groupId>org.ansj</groupId> <artifactId>tree_split</artifactId> <version>${tree_split.version}</version> </dependency> <!-- nlp-lang --> <dependency> <groupId>org.nlpcn</groupId> <artifactId>nlp-lang</artifactId> <version>${nlp-lang.version}</version> </dependency>
2.在项目根目录下创建library文件夹,文件夹下包括以下几个词典文件(自行添加)
ambiguity.dic
default.dic
userLibrary.dic
3.使用
package com.zhen.segment; import java.io.InputStream; import java.util.List; import java.util.regex.Matcher; import java.util.regex.Pattern; import org.ansj.domain.Result; import org.ansj.domain.Term; import org.ansj.library.UserDefineLibrary; import org.ansj.splitWord.analysis.BaseAnalysis; import org.ansj.splitWord.analysis.NlpAnalysis; import org.ansj.splitWord.analysis.ToAnalysis; import org.nlpcn.commons.lang.tire.domain.Forest; import org.nlpcn.commons.lang.tire.domain.Value; import org.nlpcn.commons.lang.tire.library.Library; /** * @author FengZhen * @date Jan 30, 2019 * ansj分词 */ public class SegmentTest { public static void main(String[] args) { // dynamicWord(); // localDic(); // moreUserDic(); } /** * 多用户词典(新增、删除) */ public static void moreUserDic() { // 多用户词典 String str = "神探夏洛克这部电影作者.是一个dota迷"; System.out.println(ToAnalysis.parse(str)); // 两个词汇 神探夏洛克 douta迷 Forest dic1 = new Forest(); Library.insertWord(dic1, new Value("神探夏洛克", "define", "1000")); Forest dic2 = new Forest(); Library.insertWord(dic2, new Value("dota迷", "define", "1000")); System.out.println(ToAnalysis.parse(str, dic1, dic2)); System.out.println("-------删除dic1中的词"); Library.removeWord(dic1, "神探夏洛克"); System.out.println(ToAnalysis.parse(str, dic1, dic2)); } /** * 动态增删词库 */ public static void dynamicWord(){ // 增加新词,中间按照'\t'隔开 UserDefineLibrary.insertWord("ansj中文分词", "userDefine", 1000); Result result = ToAnalysis.parse("我觉得Ansj中文分词是一个不错的系统!我是王婆!"); System.out.println("增加新词例子:" + result); // 删除词语,只能删除.用户自定义的词典. UserDefineLibrary.removeWord("ansj中文分词"); result = ToAnalysis.parse("我觉得ansj中文分词是一个不错的系统!我是王婆!"); System.out.println("删除用户自定义词典例子:" + result); //将用户自定义词典清空 UserDefineLibrary.clear(); } /** * 加载词典文件 */ public static void localDic(){ try { //读的是根目录下的 Forest rootForest = Library.makeForest("library/userLibrary.dic"); System.out.println(rootForest.toMap()); //加载字典文件,取的是resource下的 InputStream inputStream = SegmentTest.class.getResourceAsStream("/library/userLibrary.dic"); Forest resoutceForest=Library.makeForest(inputStream); String str = "我觉得ansj中文分词是一个不错的系统!我是王婆!"; Result result=ToAnalysis.parse(str, resoutceForest);//传入forest List<Term> termList=result.getTerms(); for(Term term:termList){ System.out.println(term.getName()+":"+term.getNatureStr()); } } catch (Exception e) { e.printStackTrace(); } } /** * 基本分词 * 基本就是保证了最基本的分词.词语颗粒度最非常小的..所涉及到的词大约是10万左右. * 基本分词速度非常快.在macAir上.能到每秒300w字每秒.同时准确率也很高.但是对于新词他的功能十分有限 * @param content */ public static void baseAnay(String content) { Result result = BaseAnalysis.parse(delHTMLTag(content).replace("\n","").replace(" ", "").replace("\t","")); System.out.println("result:" + result); } /** * 精准分词 * 它在易用性,稳定性.准确性.以及分词效率上.都取得了一个不错的平衡. * @param content */ public static void toAnay(String content){ Result result = ToAnalysis.parse(content); System.out.println("result:" + result); } /** * nlp分词(单条新闻处理7秒) * 可以识别出未登录词.但是它也有它的缺点.速度比较慢.稳定性差.ps:我这里说的慢仅仅是和自己的其他方式比较.应该是40w字每秒的速度吧. * 个人觉得nlp的适用方式.1.语法实体名抽取.未登录词整理.只要是对文本进行发现分析等工作 * 会把企业分开 * @param content */ public static void nlpAnay(String content){ Result result = NlpAnalysis.parse(delHTMLTag(content).replace("\n","").replace(" ", "").replace("\t","")); System.out.println("result:" + result); List<Term> terms = result.getTerms(); for (Term term : terms) { String name = term.getName(); String nature = term.getNatureStr(); if (nature.equals("nt") || nature.equals("nr")) { System.out.println("------------------"); System.out.println("getName:" + term.getName()); System.out.println("getNatureStr:" + term.getNatureStr()); } } } /** * 筛除HTML标签 * @param htmlStr * @return */ public static String delHTMLTag(String htmlStr){ String regEx_script="<script[^>]*?>[\\s\\S]*?<\\/script>"; //定义script的正则表达式 String regEx_style="<style[^>]*?>[\\s\\S]*?<\\/style>"; //定义style的正则表达式 String regEx_html="<[^>]+>"; //定义HTML标签的正则表达式 Pattern p_script=Pattern.compile(regEx_script,Pattern.CASE_INSENSITIVE); Matcher m_script=p_script.matcher(htmlStr); htmlStr=m_script.replaceAll(""); //过滤script标签 Pattern p_style=Pattern.compile(regEx_style,Pattern.CASE_INSENSITIVE); Matcher m_style=p_style.matcher(htmlStr); htmlStr=m_style.replaceAll(""); //过滤style标签 Pattern p_html=Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE); Matcher m_html=p_html.matcher(htmlStr); htmlStr=m_html.replaceAll(""); //过滤html标签 return htmlStr.trim(); //返回文本字符串 } }
hanlp的使用
1.maven添加依赖
<dependency> <groupId>com.hankcs</groupId> <artifactId>hanlp</artifactId> <version>portable-1.7.1</version> </dependency>
2.动态添加词
/** * 新增词 */ public static void addWord(String word, NatureEnum nature) { logger.info("==== addWord@word:{},nature:{},weight:{} ====", word, nature.getNature(), nature.getWeight()); if (!StringUtils.isBlank(word) && !word.equals("null")) { //大小括号问题 if (word.contains("(") || word.contains(")")) { CustomDictionary.insert(word.replace("(", "(").replace(")", ")"), nature.getNature()); }else if (word.contains("(") || word.contains(")")) { CustomDictionary.insert(word.replace("(", "(").replace(")", ")"), nature.getNature()); } CustomDictionary.insert(word, nature.getNature()); }else { logger.warn("==== addWord@ word({})为空 ====", word); } }
3.动态删除词
/** * 删除词 * @param forest * @param word */ public static void deleteWord(String word) { logger.info("==== deleteWord@word:{} ====", word); if (!StringUtils.isBlank(word)) { CustomDictionary.remove(word); }else { logger.warn("==== deleteWord@word为空({}) ====", word); } }
4.使用
/** * 分词 * @param content * @param forests * ToAnalysis精准分词 * BaseAnalysis基础分词 */ public static SegmentResult segment(String content) { logger.info("==== segment@content:{} ====", content); SegmentResult segmentResult = new SegmentResult(); List<Term> terms = HanLP.segment(content); Set<String> companySet = new HashSet<String>(); for (Term term : terms) { String name = term.word; String nature = term.nature.toString(); if (nature.equals(NatureEnum.Company.getNature())) { companySet.add(name); } } segmentResult.setCompanys(new ArrayList<String>(companySet)); logger.info("==== segment@分词结果:{},提取结果:{} ====", terms.toString(), segmentResult.toString()); return segmentResult; }
5.自定义词典文件
词典文件格式如下,依次是 词、词性、权重
word nature weight
需要下载hanlp的data及hanlp.properties
https://github.com/hankcs/HanLP
data文件夹如下
hanlp.properties如下
#本配置文件中的路径的根目录,根目录+其他路径=完整路径(支持相对路径,请参考:https://github.com/hankcs/HanLP/pull/254) #Windows用户请注意,路径分隔符统一使用/ root=/Users/FengZhen/Desktop/accumulate/分词/HanLP/ #好了,以上为唯一需要修改的部分,以下配置项按需反注释编辑。 #核心词典路径 #CoreDictionaryPath=data/dictionary/CoreNatureDictionary.txt #2元语法词典路径 #BiGramDictionaryPath=data/dictionary/CoreNatureDictionary.ngram.txt #自定义词典路径,用;隔开多个自定义词典,空格开头表示在同一个目录,使用“文件名 词性”形式则表示这个词典的词性默认是该词性。优先级递减。 #所有词典统一使用UTF-8编码,每一行代表一个单词,格式遵从[单词] [词性A] [A的频次] [词性B] [B的频次] ... 如果不填词性则表示采用词典的默认词性。 CustomDictionaryPath=data/dictionary/custom/CustomDictionary.txt; Company.txt company; 现代汉语补充词库.txt; 全国地名大全.txt ns; 人名词典.txt; 机构名词典.txt; 上海地名.txt ns;data/dictionary/person/nrf.txt nrf; #停用词词典路径 #CoreStopWordDictionaryPath=data/dictionary/stopwords.txt #同义词词典路径 #CoreSynonymDictionaryDictionaryPath=data/dictionary/synonym/CoreSynonym.txt #人名词典路径 #PersonDictionaryPath=data/dictionary/person/nr.txt #人名词典转移矩阵路径 #PersonDictionaryTrPath=data/dictionary/person/nr.tr.txt #繁简词典根目录 #tcDictionaryRoot=data/dictionary/tc #HMM分词模型 #HMMSegmentModelPath=data/model/segment/HMMSegmentModel.bin #分词结果是否展示词性 #ShowTermNature=true #IO适配器,实现com.hankcs.hanlp.corpus.io.IIOAdapter接口以在不同的平台(Hadoop、Redis等)上运行HanLP #默认的IO适配器如下,该适配器是基于普通文件系统的。 #IOAdapter=com.hankcs.hanlp.corpus.io.FileIOAdapter #感知机词法分析器 #PerceptronCWSModelPath=data/model/perceptron/pku199801/cws.bin #PerceptronPOSModelPath=data/model/perceptron/pku199801/pos.bin #PerceptronNERModelPath=data/model/perceptron/pku199801/ner.bin #CRF词法分析器 #CRFCWSModelPath=data/model/crf/pku199801/cws.txt #CRFPOSModelPath=data/model/crf/pku199801/pos.txt #CRFNERModelPath=data/model/crf/pku199801/ner.txt #更多配置项请参考 https://github.com/hankcs/HanLP/blob/master/src/main/java/com/hankcs/hanlp/HanLP.java#L59 自行添加
注意:
1.hanlp.properties中的root路径为本地data文件夹的父级路径
2.准备好的词典文件可直接放入 data/dictionary/custom/下,然后再hanlp.properties中的 CustomDictionaryPath后添加该词典文件名即可,如果不想在词典文件中指定词性,也可在CustomDictionaryPath指定名字的同时,在后边空格指定词性。如上Company.txt company
3.在调用分词方法时,hanlp会去自动加载自定义添加的词典。速度比较慢,100w需要2m30s
4.自定义词典文件更新时,需要将data/dictionary/custom/CustomDictionary.txt.bin删掉。
Jieba的使用
1.环境准备
需要Python环境,需要pip
2.安装jieba
sudo pip install jieba
3.使用
# encoding=utf-8 import jieba seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("Full Mode: " + "/ ".join(seg_list)) # 全模式 seg_list = jieba.cut("我来到北京清华大学", cut_all=False) print("Default Mode: " + "/ ".join(seg_list)) # 精确模式 seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式 print(", ".join(seg_list)) seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在日本京都大学深造") # 搜索引擎模式 print(", ".join(seg_list))
4.自定义词典
# encoding=utf-8 import jieba import jieba.posseg as pseg import time print("start-time" + time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time()))) file_name = "/home/jenkins/fz/segment/jieba/data/Company.txt" jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径 print("end-time" + time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time()))) seg_list = jieba.cut("北京尚伯乐文化发展有限公司") print("custom dic: " + "/ ".join(seg_list)) seg_list = pseg.cut(content) #带词性 for seg in seg_list: print(seg)
词典内容如下
郑汴 1 company 灯塔市栈道村煤矿 1 company 深圳市莱斯达电信有限公司铁岭分公司 1 company T&T ENERTECHNO 1 company MMI Holdings Ltd 1 company :三十门市部 1 company 关岭天利美容化妆品店 1 company 测试一下啦 1 company