11大Java开源中文分词器的使用方法和分词效果对比http://my.oschina.net/apdplat/blog/412921?p=2#comments
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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
/** * 获取文本的所有分词结果, 对比不同分词器结果 * @author 杨尚川 */ public interface WordSegmenter { /** * 获取文本的所有分词结果 * @param text 文本 * @return 所有的分词结果,去除重复 */ default public Set<String> seg(String text) { return segMore(text).values().stream().collect(Collectors.toSet()); } /** * 获取文本的所有分词结果 * @param text 文本 * @return 所有的分词结果,KEY 为分词器模式,VALUE 为分词器结果 */ public Map<String, String> segMore(String text); } |
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
@Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); for (SegmentationAlgorithm segmentationAlgorithm : SegmentationAlgorithm.values()){ map.put(segmentationAlgorithm.getDes(), seg(text, segmentationAlgorithm)); } return map; } private static String seg(String text, SegmentationAlgorithm segmentationAlgorithm) { StringBuilder result = new StringBuilder(); for (Word word : WordSegmenter.segWithStopWords(text, segmentationAlgorithm)){ result.append(word.getText()).append( " " ); } return result.toString(); } |
2、Ansj分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
@Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); StringBuilder result = new StringBuilder(); for (Term term : BaseAnalysis.parse(text)){ result.append(term.getName()).append( " " ); } map.put( "BaseAnalysis" , result.toString()); result.setLength( 0 ); for (Term term : ToAnalysis.parse(text)){ result.append(term.getName()).append( " " ); } map.put( "ToAnalysis" , result.toString()); result.setLength( 0 ); for (Term term : NlpAnalysis.parse(text)){ result.append(term.getName()).append( " " ); } map.put( "NlpAnalysis" , result.toString()); result.setLength( 0 ); for (Term term : IndexAnalysis.parse(text)){ result.append(term.getName()).append( " " ); } map.put( "IndexAnalysis" , result.toString()); return map; } |
3、Stanford分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
private static final StanfordCoreNLP CTB = new StanfordCoreNLP( "StanfordCoreNLP-chinese-ctb" ); private static final StanfordCoreNLP PKU = new StanfordCoreNLP( "StanfordCoreNLP-chinese-pku" ); private static final PrintStream NULL_PRINT_STREAM = new PrintStream( new NullOutputStream(), false ); public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); map.put( "Stanford Beijing University segmentation" , seg(PKU, text)); map.put( "Stanford Chinese Treebank segmentation" , seg(CTB, text)); return map; } private static String seg(StanfordCoreNLP stanfordCoreNLP, String text){ PrintStream err = System.err; System.setErr(NULL_PRINT_STREAM); Annotation document = new Annotation(text); stanfordCoreNLP.annotate(document); List<CoreMap> sentences = document.get(CoreAnnotations.SentencesAnnotation. class ); StringBuilder result = new StringBuilder(); for (CoreMap sentence: sentences) { for (CoreLabel token: sentence.get(CoreAnnotations.TokensAnnotation. class )) { String word = token.get(CoreAnnotations.TextAnnotation. class );; result.append(word).append( " " ); } } System.setErr(err); return result.toString(); } |
4、FudanNLP分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
private static CWSTagger tagger = null ; static { try { tagger = new CWSTagger( "lib/fudannlp_seg.m" ); tagger.setEnFilter( true ); } catch (Exception e){ e.printStackTrace(); } } @Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); map.put( "FudanNLP" , tagger.tag(text)); return map; } |
5、Jieba分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
private static final JiebaSegmenter JIEBA_SEGMENTER = new JiebaSegmenter(); @Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); map.put( "INDEX" , seg(text, SegMode.INDEX)); map.put( "SEARCH" , seg(text, SegMode.SEARCH)); return map; } private static String seg(String text, SegMode segMode) { StringBuilder result = new StringBuilder(); for (SegToken token : JIEBA_SEGMENTER.process(text, segMode)){ result.append(token.word.getToken()).append( " " ); } return result.toString(); } |
6、Jcseg分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
private static final JcsegTaskConfig CONFIG = new JcsegTaskConfig(); private static final ADictionary DIC = DictionaryFactory.createDefaultDictionary(CONFIG); static { CONFIG.setLoadCJKSyn( false ); CONFIG.setLoadCJKPinyin( false ); } @Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); map.put( "复杂模式" , segText(text, JcsegTaskConfig.COMPLEX_MODE)); map.put( "简易模式" , segText(text, JcsegTaskConfig.SIMPLE_MODE)); return map; } private String segText(String text, int segMode) { StringBuilder result = new StringBuilder(); try { ISegment seg = SegmentFactory.createJcseg(segMode, new Object[]{ new StringReader(text), CONFIG, DIC}); IWord word = null ; while ((word=seg.next())!= null ) { result.append(word.getValue()).append( " " ); } } catch (Exception ex) { throw new RuntimeException(ex); } return result.toString(); } |
7、MMSeg4j分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
private static final Dictionary DIC = Dictionary.getInstance(); private static final SimpleSeg SIMPLE_SEG = new SimpleSeg(DIC); private static final ComplexSeg COMPLEX_SEG = new ComplexSeg(DIC); private static final MaxWordSeg MAX_WORD_SEG = new MaxWordSeg(DIC); @Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); map.put(SIMPLE_SEG.getClass().getSimpleName(), segText(text, SIMPLE_SEG)); map.put(COMPLEX_SEG.getClass().getSimpleName(), segText(text, COMPLEX_SEG)); map.put(MAX_WORD_SEG.getClass().getSimpleName(), segText(text, MAX_WORD_SEG)); return map; } private String segText(String text, Seg seg) { StringBuilder result = new StringBuilder(); MMSeg mmSeg = new MMSeg( new StringReader(text), seg); try { Word word = null ; while ((word=mmSeg.next())!= null ) { result.append(word.getString()).append( " " ); } } catch (IOException ex) { throw new RuntimeException(ex); } return result.toString(); } |
8、IKAnalyzer分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
@Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); map.put( "智能切分" , segText(text, true )); map.put( "细粒度切分" , segText(text, false )); return map; } private String segText(String text, boolean useSmart) { StringBuilder result = new StringBuilder(); IKSegmenter ik = new IKSegmenter( new StringReader(text), useSmart); try { Lexeme word = null ; while ((word=ik.next())!= null ) { result.append(word.getLexemeText()).append( " " ); } } catch (IOException ex) { throw new RuntimeException(ex); } return result.toString(); } |
9、Paoding分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
private static final PaodingAnalyzer ANALYZER = new PaodingAnalyzer(); @Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); map.put( "MOST_WORDS_MODE" , seg(text, PaodingAnalyzer.MOST_WORDS_MODE)); map.put( "MAX_WORD_LENGTH_MODE" , seg(text, PaodingAnalyzer.MAX_WORD_LENGTH_MODE)); return map; } private static String seg(String text, int mode){ ANALYZER.setMode(mode); StringBuilder result = new StringBuilder(); try { Token reusableToken = new Token(); TokenStream stream = ANALYZER.tokenStream( "" , new StringReader(text)); Token token = null ; while ((token = stream.next(reusableToken)) != null ){ result.append(token.term()).append( " " ); } } catch (Exception ex) { throw new RuntimeException(ex); } return result.toString(); } |
10、smartcn分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
private static final SmartChineseAnalyzer SMART_CHINESE_ANALYZER = new SmartChineseAnalyzer(); @Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); map.put( "smartcn" , segText(text)); return map; } private static String segText(String text) { StringBuilder result = new StringBuilder(); try { TokenStream tokenStream = SMART_CHINESE_ANALYZER.tokenStream( "text" , new StringReader(text)); tokenStream.reset(); while (tokenStream.incrementToken()){ CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute. class ); result.append(charTermAttribute.toString()).append( " " ); } tokenStream.close(); } catch (Exception e){ e.printStackTrace(); } return result.toString(); } |
11、HanLP分词器
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
|
private static final Segment N_SHORT_SEGMENT = new NShortSegment().enableCustomDictionary( false ).enablePlaceRecognize( true ).enableOrganizationRecognize( true ); private static final Segment DIJKSTRA_SEGMENT = new DijkstraSegment().enableCustomDictionary( false ).enablePlaceRecognize( true ).enableOrganizationRecognize( true ); @Override public Map<String, String> segMore(String text) { Map<String, String> map = new HashMap<>(); map.put( "标准分词" , standard(text)); map.put( "NLP分词" , nlp(text)); map.put( "索引分词" , index(text)); map.put( "N-最短路径分词" , nShort(text)); map.put( "最短路径分词" , shortest(text)); map.put( "极速词典分词" , speed(text)); return map; } private static String standard(String text) { StringBuilder result = new StringBuilder(); StandardTokenizer.segment(text).forEach(term->result.append(term.word).append( " " )); return result.toString(); } private static String nlp(String text) { StringBuilder result = new StringBuilder(); NLPTokenizer.segment(text).forEach(term->result.append(term.word).append( " " )); return result.toString(); } private static String index(String text) { StringBuilder result = new StringBuilder(); IndexTokenizer.segment(text).forEach(term->result.append(term.word).append( " " )); return result.toString(); } private static String speed(String text) { StringBuilder result = new StringBuilder(); SpeedTokenizer.segment(text).forEach(term->result.append(term.word).append( " " )); return result.toString(); } private static String nShort(String text) { StringBuilder result = new StringBuilder(); N_SHORT_SEGMENT.seg(text).forEach(term->result.append(term.word).append( " " )); return result.toString(); } private static String shortest(String text) { StringBuilder result = new StringBuilder(); DIJKSTRA_SEGMENT.seg(text).forEach(term->result.append(term.word).append( " " )); return result.toString(); } |
现在我们已经实现了本文的第一个目的:学会使用11大Java开源中文分词器。
最后我们来实现本文的第二个目的:对比分析11大Java开源中文分词器的分词效果,程序如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
public static Map<String, Set<String>> contrast(String text){ Map<String, Set<String>> map = new LinkedHashMap<>(); map.put( "word分词器" , new WordEvaluation().seg(text)); map.put( "Stanford分词器" , new StanfordEvaluation().seg(text)); map.put( "Ansj分词器" , new AnsjEvaluation().seg(text)); map.put( "HanLP分词器" , new HanLPEvaluation().seg(text)); map.put( "FudanNLP分词器" , new FudanNLPEvaluation().seg(text)); map.put( "Jieba分词器" , new JiebaEvaluation().seg(text)); map.put( "Jcseg分词器" , new JcsegEvaluation().seg(text)); map.put( "MMSeg4j分词器" , new MMSeg4jEvaluation().seg(text)); map.put( "IKAnalyzer分词器" , new IKAnalyzerEvaluation().seg(text)); map.put( "smartcn分词器" , new SmartCNEvaluation().seg(text)); return map; } public static Map<String, Map<String, String>> contrastMore(String text){ Map<String, Map<String, String>> map = new LinkedHashMap<>(); map.put( "word分词器" , new WordEvaluation().segMore(text)); map.put( "Stanford分词器" , new StanfordEvaluation().segMore(text)); map.put( "Ansj分词器" , new AnsjEvaluation().segMore(text)); map.put( "HanLP分词器" , new HanLPEvaluation().segMore(text)); map.put( "FudanNLP分词器" , new FudanNLPEvaluation().segMore(text)); map.put( "Jieba分词器" , new JiebaEvaluation().segMore(text)); map.put( "Jcseg分词器" , new JcsegEvaluation().segMore(text)); map.put( "MMSeg4j分词器" , new MMSeg4jEvaluation().segMore(text)); map.put( "IKAnalyzer分词器" , new IKAnalyzerEvaluation().segMore(text)); map.put( "smartcn分词器" , new SmartCNEvaluation().segMore(text)); return map; } public static void show(Map<String, Set<String>> map){ map.keySet().forEach(k -> { System.out.println(k + " 的分词结果:" ); AtomicInteger i = new AtomicInteger(); map.get(k).forEach(v -> { System.out.println( "\t" + i.incrementAndGet() + " 、" + v); }); }); } public static void showMore(Map<String, Map<String, String>> map){ map.keySet().forEach(k->{ System.out.println(k + " 的分词结果:" ); AtomicInteger i = new AtomicInteger(); map.get(k).keySet().forEach(a -> { System.out.println( "\t" + i.incrementAndGet()+ " 、【" + a + "】\t" + map.get(k).get(a)); }); }); } public static void main(String[] args) { show(contrast( "我爱楚离陌" )); showMore(contrastMore( "我爱楚离陌" )); } |
运行结果如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
******************************************** word分词器 的分词结果: 1 、我 爱 楚离陌 Stanford分词器 的分词结果: 1 、我 爱 楚 离陌 2 、我 爱 楚离陌 Ansj分词器 的分词结果: 1 、我 爱 楚离 陌 2 、我 爱 楚 离 陌 HanLP分词器 的分词结果: 1 、我 爱 楚 离 陌 smartcn分词器 的分词结果: 1 、我 爱 楚 离 陌 FudanNLP分词器 的分词结果: 1 、我 爱楚离陌 Jieba分词器 的分词结果: 1 、我爱楚 离 陌 Jcseg分词器 的分词结果: 1 、我 爱 楚 离 陌 MMSeg4j分词器 的分词结果: 1 、我爱 楚 离 陌 IKAnalyzer分词器 的分词结果: 1 、我 爱 楚 离 陌 ******************************************** |
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
|
******************************************** word分词器 的分词结果: 1 、【全切分算法】 我 爱 楚离陌 2 、【双向最大最小匹配算法】 我 爱 楚离陌 3 、【正向最大匹配算法】 我 爱 楚离陌 4 、【双向最大匹配算法】 我 爱 楚离陌 5 、【逆向最大匹配算法】 我 爱 楚离陌 6 、【正向最小匹配算法】 我 爱 楚离陌 7 、【双向最小匹配算法】 我 爱 楚离陌 8 、【逆向最小匹配算法】 我 爱 楚离陌 Stanford分词器 的分词结果: 1 、【Stanford Chinese Treebank segmentation】 我 爱 楚离陌 2 、【Stanford Beijing University segmentation】 我 爱 楚 离陌 Ansj分词器 的分词结果: 1 、【BaseAnalysis】 我 爱 楚 离 陌 2 、【IndexAnalysis】 我 爱 楚 离 陌 3 、【ToAnalysis】 我 爱 楚 离 陌 4 、【NlpAnalysis】 我 爱 楚离 陌 HanLP分词器 的分词结果: 1 、【NLP分词】 我 爱 楚 离 陌 2 、【标准分词】 我 爱 楚 离 陌 3 、【N-最短路径分词】 我 爱 楚 离 陌 4 、【索引分词】 我 爱 楚 离 陌 5 、【最短路径分词】 我 爱 楚 离 陌 6 、【极速词典分词】 我 爱 楚 离 陌 smartcn分词器 的分词结果: 1 、【smartcn】 我 爱 楚 离 陌 FudanNLP分词器 的分词结果: 1 、【FudanNLP】 我 爱楚离陌 Jieba分词器 的分词结果: 1 、【SEARCH】 我爱楚 离 陌 2 、【INDEX】 我爱楚 离 陌 Jcseg分词器 的分词结果: 1 、【简易模式】 我 爱 楚 离 陌 2 、【复杂模式】 我 爱 楚 离 陌 MMSeg4j分词器 的分词结果: 1 、【SimpleSeg】 我爱 楚 离 陌 2 、【ComplexSeg】 我爱 楚 离 陌 3 、【MaxWordSeg】 我爱 楚 离 陌 IKAnalyzer分词器 的分词结果: 1 、【智能切分】 我 爱 楚 离 陌 2 、【细粒度切分】 我 爱 楚 离 陌 ******************************************** |
posted on 2016-01-19 11:34 1130136248 阅读(182) 评论(0) 编辑 收藏 举报