结合 ictclass4j 和 KTDictSeg 写自己的分词器----断句(1)
由于开源和对.net的喜爱,以及较好的分词效果,喜欢上了KTDicSeg。由于工作的原因,我不得不使用java,我们选择使用ictclass4j。
一开始就觉得中文分词很难,而自己的水平似乎有限,在这种想法的左右下,从来没有想过要真正的去认认真真的看一个中文分词的源代码,同样是工作的原因,我现在不得不认认真真的去研究下中文分词。首先我先说明下,不要期待我写出太高明的文章,园中有非常多的前辈,就当是一起进步一起学习吧。
在查阅了大量的文档后,初步对中文分词有一个初步认识。
1、首先是将文章进行拆分成句子。
2、将句子根据字典拆分成词。
3、根据字与词,词与词成词的几率,以及词语的使用频度等等因素确定一种或多种分词方案。
4、根据指定的规则或者方式选择一种分词方案。
其中将文章拆分成句子,应该是最简单的一部分。
ictclass4j和KTDicSeg的处理方式有一些不同,但是最终要实现的目标是一样的。
首先说说ictclass4j处理的方式,我感觉这样的处理方式算不上高明。
1、将字符串分割成一个个字的数组。
2、对生成的数组遍历,连接成新的字符串,当遇到“!,"。”等标点符号的时候,将连接成的字符串放入中间结果集。
3、当遍历完成后,那个中间结果集就是我们需要的结果。
而KTDicSeg处理方式来说就显得干脆简介,直接用了正则,非常方便就将文章分割成句。这里我决定使用正则来处理。
下面是我的程序,我使用的是java来写的,说实话java让我很郁闷,java中没有ref的关键词,搞的我很多时候有点束手无策,由于我是从C#转到java来的吧。
首先就是定义正则了 ,这里我直接套用的是KTDicSeg中的正则
private static final String PATTERNS ="[0-9\\d]+\\%|[0-9\\d]{1,2}月|[0-9\\d]{1,2}日|[0-9\\d]{1,4}年|[0-9\\d]{1,4}-[0-9\\d]{1,2}-[0-9\\d]{1,2}|[0-9\\d]+|[^a-zA-Za-zA-Z0-90-9\u4e00-\u9fa5]|[a-zA-Za-zA-Z]+|[\u4e00-\u9fa5]+";
还有点很郁闷就是java中没有@关键字,反斜杠搞的我晕晕乎乎啊
下面的代码来应用这个正则:
public ArrayList<String> SenSplit()
{
if(Content.length()==0)
{
return null;
}
else
{
ArrayList<String> ArraySen = new ArrayList<String>();
Pattern p = Pattern.compile(PATTERNS,Pattern.MULTILINE);
Matcher m = p.matcher(Content);
while(m.find())
{
int start = m.start();
int end = m.end();
ArraySen.add(Content.substring(start,end));
}
return ArraySen;
}
}
而仅仅使用这个函数是不行的,因为会出现类似下面的情况:25.6 会被分成 25/./6 或者 suyuan19@gmail.com 会被分成 suyuan/19/@/gmail/./com 而我们实际想要结果可不是这样的,这就需要我们进行二次处理了。
首先是合并浮点数,合并email,合并英文关键词 比如 C# 等等,本篇文章中先不讨论英文关键词的问题。呵呵我感觉我是在讲解KTDicSeg了,不错,我们就是在模仿他,我甚至会做一些比较。
比如合并浮点数的问题:
![](https://www.cnblogs.com/Images/OutliningIndicators/ExpandedBlockStart.gif)
if (((word[0] >= '0' && word[0] <= '9') ||(word[0] >= '0' && word[0] <= '9')) &&
((word[word.Length - 1] >= '0' && word[word.Length - 1] <= '9') ||
(word[word.Length - 1] >= '0' && word[word.Length - 1] <= '9'))
)
{
//合并浮点数
word = MergeFloat(initSeg, i, ref i);
mergeOk = true;
这是KTDicSeg除非此类问题的条件。这里我提出不同的意见 比如文章中出现了 02343.25 之类的数字,那么最终合并的结果是 就是02343.25 而我个人认为这样是不正确的,我对这样的数字采取不处理的方式。同时我使用正则来解决这类问题。
![](https://www.cnblogs.com/Images/OutliningIndicators/ExpandedBlockStart.gif)
//浮点数第一个数字不能为0
Pattern p = Pattern.compile("[^0][0-9]+");
if(p.matcher(reSen.get(index)).matches()&&(index+2)<reSen.size())
{
index= MergeFloat(reSen,index);
if (index>=reSen.size())break;
同样合并的函数也是这样处理的:
* 合并浮点数
* @param arr
* @param index
*/
public int MergeFloat(ArrayList<String> arr,int index)
{
//浮点数小数点后面允许以0开头
Pattern p = Pattern.compile("[0-9]+");
if(arr.get(index+1).equals(".")&&p.matcher(arr.get(index+2)).matches())
{
result.add(new Sentence(arr.get(index)+arr.get(index+1)+arr.get(index+2),false));
return index+3;
}
else
{
return index;
}
}
下面来讨论合并email的函数,中间也大量的用到了正则:
由于email 必须是以字面开头 不能以数字或者_开通,但是email可以有数字或者是下划线 同时@符合后面可以是两段 如:126.com 也可以是三段,比如:126.com.cn 应该也是合法的.甚至是多段:
先看看我们的调用方法:
//Email被初步分词后至少是4段长度
if(p.matcher(reSen.get(index)).matches()&&(index+4)<reSen.size())
{
index=MergeEmail(reSen,index);
if (index>=reSen.size())break;
}
调用的时候,触发email合并的条件必须是英文字母开头.
下面是具体的Email合并函数:
* 合并Email
* @param arr
* @param index
*/
public int MergeEmail(ArrayList<String> arr,int index)
{
int c_index = index;
Pattern p = Pattern.compile("[0-9_]+");
String Email= arr.get(index);
while(!arr.get(index+1).equals("@")&&p.matcher(arr.get(index+1)).matches()&&(index+1)<arr.size())
{
Email+=arr.get(index+1);
index++;
}
if(arr.get(index+1).equals("@"))
{
Email+=arr.get(index+1);
index++;
}
while(!arr.get(index+1).equals(".")&&p.matcher(arr.get(index+1)).matches()&&(index+1)<arr.size())
{
Email+=arr.get(index+1);
index++;
}
if(arr.get(index+1).equals("."))
{
Email+=arr.get(index+1);
index++;
}
p = Pattern.compile("[a-z]+");
while(!arr.get(index+1).equals(".")&&p.matcher(arr.get(index+1)).matches()&&(index+1)<arr.size())
{
Email+=arr.get(index+1);
index++;
}
if(arr.get(index+1).equals(".")&&p.matcher(arr.get(index+2)).matches())
{
Email+=arr.get(index+1);
index++;
while(!arr.get(index+1).equals(".")&&p.matcher(arr.get(index+1)).matches()&&(index+1)<arr.size())
{
Email+=arr.get(index+1);
index++;
}
}
p= Pattern.compile("^([a-z0-9A-Z]+[-|\\_|\\.]?)+[a-z0-9A-Z]@([a-z0-9A-Z]+(-[a-z0-9A-Z]+)?\\.)+[a-zA-Z]{2,}$");
if(p.matcher(Email).matches())
{
result.add(new Sentence(Email,false));
return index+1;
}
else
{
return c_index;
}
}
这个函数主要用正则对各个段进行判断,同时对生成的email的合法性进行判断,当合并的email是合法的才返回,否则回溯到原来的状态.用这样的判断方式就不会出现类型 suyuan/19/@/126/./com的情况了.
来看看我们写的这个分句函数的分句结果:
ArrayList<Sentence> SenArray = SenSeg.getSenSeg();
for(Sentence Sen : SenArray)
{
System.out.println(Sen.getContent()+Sen.isSeg());
}
上面是test的调用方式:
下面是分词结果:
![](https://www.cnblogs.com/Images/dot.gif)
一开始就觉得中文分词很难true
,false
而自己的水平似乎有限true
,false
25.632false
false
suyuan@126.comfalse
.false
.false
.false
.false
在这种想法的左右下true
,false
从来没有想过要真正的去认认真真的看一个中文分词的源代码true
,false
同样是工作的原因true
,false
我现在不得不认认真真的去研究下中文分词true
。false
首先我先说明下true
,false
不要期待我写出太高明的文章true
,false
园中有非常多的前辈true
,false
就当是一起进步一起学习吧true
。false
基本符合了我预期的效果.那我们先讨论到这里,我会在后续时间里继续学习和改编中文分词.随着讨论的深入会越来越麻烦,希望自己可以最终进行下去.以上方法,未进行非常严格的测试,逻辑上面或许有不完善甚至错误的地方,希望大牛们能够给予指正