Java中的word分词怎么使用
导读:本文共11552字符,通常情况下阅读需要39分钟。同时您也可以点击右侧朗读,来听本文内容。按键盘←(左) →(右) 方向键可以翻页。
摘要: word分词是一个Java实现的分布式的中文分词组件,提供了多种基于词典的分词算法,并利用ngram模型来消除歧义。能准确识别英文、数字,以及日期、时间等数量词,能识别人名、地名、组织机构名等未登录词。能通过自定义配置文件来改变组件行为,能自定义用户词库、自动检测词库变化、支持大规模分布式环境,能灵活指定多种分词算法,能使用refine功能灵活控制分词结果,还能... ...
目录
(为您整理了一些要点),点击可以直达。- (3):<dependencies>
- (4):<dependency>
- (5):<groupId>org.apdplat&
- (6):<artifactId>word</
- (7):<version>1.2</vers
- (8):</dependency>
- (9):</dependencies>
- (11):1、快速体验
- (19):2、对文本进行分词
- (87):10、分布式中文分词器
- (91):11、词性标注(1.3才有这个功能)
- (96)://词性标注
- (102):12、refine
- (135):13、同义标注
- (178):14、反义标注
- (203):15、拼音标注
- (216):16、Lucene插件:
- (217):1、构造一个word分析器ChineseWordAna
- (223):2、利用word分析器切分文本
- (225)://准备消费
- (227)://开始消费
- (229)://词
- (231)://词在文本中的起始位置
- (233)://第几个词
- (235)://词性
- (237)://首字母缩略拼音
- (239)://完整拼音
- (241)://同义词
- (243)://反义词
- (252)://消费完毕
- (262):17、Solr插件:
- (263):1、下载word-1.3.jar
- (291):18、ElasticSearch插件:
- (294):2、运行plugin脚本安装word分词插件:
- (319):19、Luke插件:
- (338):20、词向量:
word分词是一个Java实现的分布式的中文分词组件,提供了多种基于词典的分词算法,并利用ngram模型来消除歧义。能准确识别英文、数字,以及日期、时间等数量词,能识别人名、地名、组织机构名等未登录词。能通过自定义配置文件来改变组件行为,能自定义用户词库、自动检测词库变化、支持大规模分布式环境,能灵活指定多种分词算法,能使用refine功能灵活控制分词结果,还能使用词性标注、同义标注、反义标注、拼音标注等功能。同时还无缝和Lucene、Solr、ElasticSearch、Luke集成。注意:word1.3需要JDK1.8
Maven依赖:
在pom.xml中指定dependency,可用版本有1.0、1.1、1.2:
<dependencies>
<dependency>
<groupId>org.apdplat</groupId>
<artifactId>word</artifactId>
<version>1.2</version>
</dependency>
</dependencies>
分词使用方法:
1、快速体验
运行项目根目录下的脚本demo-word.bat可以快速体验分词效果
用法:command[text][input][output]
命令command的可选值为:demo、text、file
demo
text杨尚川是APDPlat应用级产品开发平台的作者
filed:/text.txtd:/word.txt
exit
2、对文本进行分词
移除停用词:List<Word>words=WordSegmenter.seg("杨尚川是APDPlat应用级产品开发平台的作者");
保留停用词:List<Word>words=WordSegmenter.segWithStopWords("杨尚川是APDPlat应用级产品开发平台的作者");
System.out.println(words);
输出:
移除停用词:[杨尚川,apdplat,应用级,产品,开发平台,作者]
保留停用词:[杨尚川,是,apdplat,应用级,产品,开发平台,的,作者]
3、对文件进行分词
Stringinput="d:/text.txt";
Stringoutput="d:/word.txt";
移除停用词:WordSegmenter.seg(newFile(input),newFile(output));
保留停用词:WordSegmenter.segWithStopWords(newFile(input),newFile(output));
4、自定义配置文件
默认配置文件为类路径下的word.conf,打包在word-x.x.jar中
自定义配置文件为类路径下的word.local.conf,需要用户自己提供
如果自定义配置和默认配置相同,自定义配置会覆盖默认配置
配置文件编码为UTF-8
5、自定义用户词库
自定义用户词库为一个或多个文件夹或文件,可以使用绝对路径或相对路径
用户词库由多个词典文件组成,文件编码为UTF-8
词典文件的格式为文本文件,一行代表一个词
可以通过系统属性或配置文件的方式来指定路径,多个路径之间用逗号分隔开
类路径下的词典文件,需要在相对路径前加入前缀classpath:
指定方式有三种:
指定方式一,编程指定(高优先级):
WordConfTools.set("dic.path","classpath:dic.txt,d:/custom_dic");
DictionaryFactory.reload();//更改词典路径之后,重新加载词典
指定方式二,Java虚拟机启动参数(中优先级):
java-Ddic.path=classpath:dic.txt,d:/custom_dic
指定方式三,配置文件指定(低优先级):
使用类路径下的文件word.local.conf来指定配置信息
dic.path=classpath:dic.txt,d:/custom_dic
如未指定,则默认使用类路径下的dic.txt词典文件
6、自定义停用词词库
使用方式和自定义用户词库类似,配置项为:
stopwords.path=classpath:stopwords.txt,d:/custom_stopwords_dic
7、自动检测词库变化
可以自动检测自定义用户词库和自定义停用词词库的变化
包含类路径下的文件和文件夹、非类路径下的绝对路径和相对路径
如:
classpath:dic.txt,classpath:custom_dic_dir,
d:/dic_more.txt,d:/DIC_DIR,D:/DIC2_DIR,my_dic_dir,my_dic_file.txt
classpath:stopwords.txt,classpath:custom_stopwords_dic_dir,
d:/stopwords_more.txt,d:/STOPWORDS_DIR,d:/STOPWORDS2_DIR,stopwords_dir,remove.txt
8、显式指定分词算法
对文本进行分词时,可显式指定特定的分词算法,如:
WordSegmenter.seg("APDPlat应用级产品开发平台",SegmentationAlgorithm.BidirectionalMaximumMatching);
SegmentationAlgorithm的可选类型为:
正向最大匹配算法:MaximumMatching
逆向最大匹配算法:ReverseMaximumMatching
正向最小匹配算法:MinimumMatching
逆向最小匹配算法:ReverseMinimumMatching
双向最大匹配算法:BidirectionalMaximumMatching
双向最小匹配算法:BidirectionalMinimumMatching
双向最大最小匹配算法:BidirectionalMaximumMinimumMatching
全切分算法:FullSegmentation
最少分词算法:MinimalWordCount
最大Ngram分值算法:MaxNgramScore
9、分词效果评估
运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估
评估采用的测试文本有2533709行,共28374490个字符
评估结果位于target/evaluation目录下:
corpus-text.txt为分好词的人工标注文本,词之间以空格分隔
test-text.txt为测试文本,是把corpus-text.txt以标点符号分隔为多行的结果
standard-text.txt为测试文本对应的人工标注文本,作为分词是否正确的标准
result-text-***.txt,***为各种分词算法名称,这是word分词结果
perfect-result-***.txt,***为各种分词算法名称,这是分词结果和人工标注标准完全一致的文本
wrong-result-***.txt,***为各种分词算法名称,这是分词结果和人工标注标准不一致的文本
10、分布式中文分词器
1、在自定义配置文件word.conf或word.local.conf中指定所有的配置项*.path使用HTTP资源,同时指定配置项redis.*
2、配置并启动提供HTTP资源的web服务器,将项目:https://github.com/ysc/word_web部署到tomcat
3、配置并启动redis服务器
11、词性标注(1.3才有这个功能)
将分词结果作为输入参数,调用PartOfSpeechTagging类的process方法,词性保存在Word类的partOfSpeech字段中
如下所示:
List<Word>words=WordSegmenter.segWithStopWords("我爱中国");
System.out.println("未标注词性:"+words);
//词性标注
PartOfSpeechTagging.process(words);
System.out.println("标注词性:"+words);
输出内容:
未标注词性:[我,爱,中国]
标注词性:[我/r,爱/v,中国/ns]
12、refine
我们看一个切分例子:
List<Word>words=WordSegmenter.segWithStopWords("我国工人阶级和广大劳动群众要更加紧密地团结在党中央周围");
System.out.println(words);
结果如下:
[我国,工人阶级,和,广大,劳动群众,要,更加,紧密,地,团结,在,党中央,周围]
假如我们想要的切分结果是:
[我国,工人,阶级,和,广大,劳动,群众,要,更加,紧密,地,团结,在,党中央,周围]
也就是要把“工人阶级”细分为“工人阶级”,把“劳动群众”细分为“劳动群众”,那么我们该怎么办呢?
我们可以通过在word.refine.path配置项指定的文件classpath:word_refine.txt中增加以下内容:
工人阶级=工人阶级
劳动群众=劳动群众
然后,我们对分词结果进行refine:
words=WordRefiner.refine(words);
System.out.println(words);
这样,就能达到我们想要的效果:
[我国,工人,阶级,和,广大,劳动,群众,要,更加,紧密,地,团结,在,党中央,周围]
我们再看一个切分例子:
List<Word>words=WordSegmenter.segWithStopWords("在实现“两个一百年”奋斗目标的伟大征程上再创新的业绩");
System.out.println(words);
结果如下:
[在,实现,两个,一百年,奋斗目标,的,伟大,征程,上,再创,新的,业绩]
假如我们想要的切分结果是:
[在,实现,两个一百年,奋斗目标,的,伟大征程,上,再创,新的,业绩]
也就是要把“两个一百年”合并为“两个一百年”,把“伟大,征程”合并为“伟大征程”,那么我们该怎么办呢?
我们可以通过在word.refine.path配置项指定的文件classpath:word_refine.txt中增加以下内容:
两个一百年=两个一百年
伟大征程=伟大征程
然后,我们对分词结果进行refine:
words=WordRefiner.refine(words);
System.out.println(words);
这样,就能达到我们想要的效果:
[在,实现,两个一百年,奋斗目标,的,伟大征程,上,再创,新的,业绩]
13、同义标注
List<Word>words=WordSegmenter.segWithStopWords("楚离陌千方百计为无情找回记忆");
System.out.println(words);
结果如下:
[楚离陌,千方百计,为,无情,找回,记忆]
做同义标注:
SynonymTagging.process(words);
System.out.println(words);
结果如下:
[楚离陌,千方百计[久有存心,化尽心血,想方设法,费尽心机],为,无情,找回,记忆[影象]]
如果启用间接同义词:
SynonymTagging.process(words,false);
System.out.println(words);
结果如下:
[楚离陌,千方百计[久有存心,化尽心血,想方设法,费尽心机],为,无情,找回,记忆[影像,影象]]
List<Word>words=WordSegmenter.segWithStopWords("手劲大的老人往往更长寿");
System.out.println(words);
结果如下:
[手劲,大,的,老人,往往,更,长寿]
做同义标注:
SynonymTagging.process(words);
System.out.println(words);
结果如下:
[手劲,大,的,老人[白叟],往往[常常,每每,经常],更,长寿[长命,龟龄]]
如果启用间接同义词:
SynonymTagging.process(words,false);
System.out.println(words);
结果如下:
[手劲,大,的,老人[白叟],往往[一样平常,一般,凡是,寻常,常常,常日,平凡,平居,平常,平日,平时,往常,日常,日常平凡,时常,普通,每每,泛泛,素日,经常,通俗,通常],更,长寿[长命,龟龄]]
以词“千方百计”为例:
可以通过Word的getSynonym()方法获取同义词如:
System.out.println(word.getSynonym());
结果如下:
[久有存心,化尽心血,想方设法,费尽心机]
注意:如果没有同义词,则getSynonym()返回空集合:Collections.emptyList()
间接同义词和直接同义词的区别如下:
假设:
A和B是同义词,A和C是同义词,B和D是同义词,C和E是同义词
则:
对于A来说,ABC是直接同义词
对于B来说,ABD是直接同义词
对于C来说,ACE是直接同义词
对于ABC来说,ABCDE是间接同义词
14、反义标注
List<Word>words=WordSegmenter.segWithStopWords("5月初有哪些电影值得观看");
System.out.println(words);
结果如下:
[5,月初,有,哪些,电影,值得,观看]
做反义标注:
AntonymTagging.process(words);
System.out.println(words);
结果如下:
[5,月初[月底,月末,月终],有,哪些,电影,值得,观看]
List<Word>words=WordSegmenter.segWithStopWords("由于工作不到位、服务不完善导致顾客在用餐时发生不愉快的事情,餐厅方面应该向顾客作出真诚的道歉,而不是敷衍了事。");
System.out.println(words);
结果如下:
[由于,工作,不到位,服务,不完善,导致,顾客,在,用餐,时,发生,不愉快,的,事情,餐厅,方面,应该,向,顾客,作出,真诚,的,道歉,而不是,敷衍了事]
做反义标注:
AntonymTagging.process(words);
System.out.println(words);
结果如下:
[由于,工作,不到位,服务,不完善,导致,顾客,在,用餐,时,发生,不愉快,的,事情,餐厅,方面,应该,向,顾客,作出,真诚[糊弄,虚伪,虚假,险诈],的,道歉,而不是,敷衍了事[一丝不苟,兢兢业业,尽心竭力,竭尽全力,精益求精,诚心诚意]]
以词“月初”为例:
可以通过Word的getAntonym()方法获取反义词如:
System.out.println(word.getAntonym());
结果如下:
[月底,月末,月终]
注意:如果没有反义词,getAntonym()返回空集合:Collections.emptyList()
15、拼音标注
List<Word>words=WordSegmenter.segWithStopWords("《速度与激情7》的中国内地票房自4月12日上映以来,在短短两周内突破20亿人民币");
System.out.println(words);
结果如下:
[速度,与,激情,7,的,中国,内地,票房,自,4月,12日,上映,以来,在,短短,两周,内,突破,20亿,人民币]
执行拼音标注:
PinyinTagging.process(words);
System.out.println(words);
结果如下:
[速度sdsudu,与yyu,激情jqjiqing,7,的dde,中国zgzhongguo,内地ndneidi,票房pfpiaofang,自zzi,4月,12日,上映syshangying,以来ylyilai,在zzai,短短ddduanduan,两周lzliangzhou,内nnei,突破tptupo,20亿,人民币rmbrenminbi]
以词“速度”为例:
可以通过Word的getFullPinYin()方法获取完整拼音如:sudu
可以通过Word的getAcronymPinYin()方法获取首字母缩略拼音如:sd
16、Lucene插件:
1、构造一个word分析器ChineseWordAnalyzer
Analyzeranalyzer=newChineseWordAnalyzer();
如果需要使用特定的分词算法,可通过构造函数来指定:
Analyzeranalyzer=newChineseWordAnalyzer(SegmentationAlgorithm.FullSegmentation);
如不指定,默认使用双向最大匹配算法:SegmentationAlgorithm.BidirectionalMaximumMatching
可用的分词算法参见枚举类:SegmentationAlgorithm
2、利用word分析器切分文本
TokenStreamtokenStream=analyzer.tokenStream("text","杨尚川是APDPlat应用级产品开发平台的作者");
//准备消费
tokenStream.reset();
//开始消费
while(tokenStream.incrementToken()){
//词
CharTermAttributecharTermAttribute=tokenStream.getAttribute(CharTermAttribute.class);
//词在文本中的起始位置
OffsetAttributeoffsetAttribute=tokenStream.getAttribute(OffsetAttribute.class);
//第几个词
PositionIncrementAttributepositionIncrementAttribute=tokenStream.getAttribute(PositionIncrementAttribute.class);
//词性
PartOfSpeechAttributepartOfSpeechAttribute=tokenStream.getAttribute(PartOfSpeechAttribute.class);
//首字母缩略拼音
AcronymPinyinAttributeacronymPinyinAttribute=tokenStream.getAttribute(AcronymPinyinAttribute.class);
//完整拼音
FullPinyinAttributefullPinyinAttribute=tokenStream.getAttribute(FullPinyinAttribute.class);
//同义词
SynonymAttributesynonymAttribute=tokenStream.getAttribute(SynonymAttribute.class);
//反义词
AntonymAttributeantonymAttribute=tokenStream.getAttribute(AntonymAttribute.class);
LOGGER.info(charTermAttribute.toString()+"("+offsetAttribute.startOffset()+"-"+offsetAttribute.endOffset()+")"+positionIncrementAttribute.getPositionIncrement());
LOGGER.info("PartOfSpeech:"+partOfSpeechAttribute.toString());
LOGGER.info("AcronymPinyin:"+acronymPinyinAttribute.toString());
LOGGER.info("FullPinyin:"+fullPinyinAttribute.toString());
LOGGER.info("Synonym:"+synonymAttribute.toString());
LOGGER.info("Antonym:"+antonymAttribute.toString());
}
//消费完毕
tokenStream.close();
3、利用word分析器建立Lucene索引
Directorydirectory=newRAMDirectory();
IndexWriterConfigconfig=newIndexWriterConfig(analyzer);
IndexWriterindexWriter=newIndexWriter(directory,config);
4、利用word分析器查询Lucene索引
QueryParserqueryParser=newQueryParser("text",analyzer);
Queryquery=queryParser.parse("text:杨尚川");
TopDocsdocs=indexSearcher.search(query,Integer.MAX_VALUE);
17、Solr插件:
1、下载word-1.3.jar
下载地址:http://search.maven.org/remotecontent?filepath=org/apdplat/word/1.3/word-1.3.jar
2、创建目录solr-5.1.0/example/solr/lib,将word-1.3.jar复制到lib目录
3、配置schema指定分词器
将solr-5.1.0/example/solr/collection1/conf/schema.xml文件中所有的
<tokenizerclass="solr.WhitespaceTokenizerFactory"/>和
<tokenizerclass="solr.StandardTokenizerFactory"/>全部替换为
<tokenizerclass="org.apdplat.word.solr.ChineseWordTokenizerFactory"/>
并移除所有的filter标签
4、如果需要使用特定的分词算法:
<tokenizerclass="org.apdplat.word.solr.ChineseWordTokenizerFactory"segAlgorithm="ReverseMinimumMatching"/>
segAlgorithm可选值有:
正向最大匹配算法:MaximumMatching
逆向最大匹配算法:ReverseMaximumMatching
正向最小匹配算法:MinimumMatching
逆向最小匹配算法:ReverseMinimumMatching
双向最大匹配算法:BidirectionalMaximumMatching
双向最小匹配算法:BidirectionalMinimumMatching
双向最大最小匹配算法:BidirectionalMaximumMinimumMatching
全切分算法:FullSegmentation
最少分词算法:MinimalWordCount
最大Ngram分值算法:MaxNgramScore
如不指定,默认使用双向最大匹配算法:BidirectionalMaximumMatching
5、如果需要指定特定的配置文件:
<tokenizerclass="org.apdplat.word.solr.ChineseWordTokenizerFactory"segAlgorithm="ReverseMinimumMatching"
conf="solr-5.1.0/example/solr/nutch/conf/word.local.conf"/>
word.local.conf文件中可配置的内容见word-1.3.jar中的word.conf文件
如不指定,使用默认配置文件,位于word-1.3.jar中的word.conf文件
18、ElasticSearch插件:
1、打开命令行并切换到elasticsearch的bin目录
cdelasticsearch-1.5.1/bin
2、运行plugin脚本安装word分词插件:
./plugin-uhttp://apdplat.org/word/archive/v1.2.zip-iword
3、修改文件elasticsearch-1.5.1/config/elasticsearch.yml,新增如下配置:
index.analysis.analyzer.default.type:"word"
index.analysis.tokenizer.default.type:"word"
4、启动ElasticSearch测试效果,在Chrome浏览器中访问:
http://localhost:9200/_analyze?analyzer=word&text=杨尚川是APDPlat应用级产品开发平台的作者
5、自定义配置
修改配置文件elasticsearch-1.5.1/plugins/word/word.local.conf
6、指定分词算法
修改文件elasticsearch-1.5.1/config/elasticsearch.yml,新增如下配置:
index.analysis.analyzer.default.segAlgorithm:"ReverseMinimumMatching"
index.analysis.tokenizer.default.segAlgorithm:"ReverseMinimumMatching"
这里segAlgorithm可指定的值有:
正向最大匹配算法:MaximumMatching
逆向最大匹配算法:ReverseMaximumMatching
正向最小匹配算法:MinimumMatching
逆向最小匹配算法:ReverseMinimumMatching
双向最大匹配算法:BidirectionalMaximumMatching
双向最小匹配算法:BidirectionalMinimumMatching
双向最大最小匹配算法:BidirectionalMaximumMinimumMatching
全切分算法:FullSegmentation
最少分词算法:MinimalWordCount
最大Ngram分值算法:MaxNgramScore
如不指定,默认使用双向最大匹配算法:BidirectionalMaximumMatching
19、Luke插件:
1、下载http://luke.googlecode.com/files/lukeall-4.0.0-ALPHA.jar(国内不能访问)
2、下载并解压Java中文分词组件word-1.0-bin.zip:http://pan.baidu.com/s/1dDziDFz
3、将解压后的Java中文分词组件word-1.0-bin/word-1.0文件夹里面的4个jar包解压到当前文件夹
用压缩解压工具如winrar打开lukeall-4.0.0-ALPHA.jar,将当前文件夹里面除了META-INF文件夹、.jar、
.bat、.html、word.local.conf文件外的其他所有文件拖到lukeall-4.0.0-ALPHA.jar里面
4、执行命令java-jarlukeall-4.0.0-ALPHA.jar启动luke,在Search选项卡的Analysis里面
就可以选择org.apdplat.word.lucene.ChineseWordAnalyzer分词器了
5、在Plugins选项卡的Availableanalyzersfoundonthecurrentclasspath里面也可以选择
org.apdplat.word.lucene.ChineseWordAnalyzer分词器
注意:如果你要自己集成word分词器的其他版本,在项目根目录下运行mvninstall编译项目,然后运行命令
mvndependency:copy-dependencies复制依赖的jar包,接着在target/dependency/目录下就会有所有
的依赖jar包。其中target/dependency/slf4j-api-1.6.4.jar是word分词器使用的日志框架,
target/dependency/logback-classic-0.9.28.jar和
target/dependency/logback-core-0.9.28.jar是word分词器推荐使用的日志实现,日志实现的配置文件
路径位于target/classes/logback.xml,target/word-1.3.jar是word分词器的主jar包,如果需要
自定义词典,则需要修改分词器配置文件target/classes/word.conf
已经集成好的Luke插件下载(适用于lucene4.0.0) :lukeall-4.0.0-ALPHA-with-word-1.0.jar
已经集成好的Luke插件下载(适用于lucene4.10.3):lukeall-4.10.3-with-word-1.2.jar
20、词向量:
从大规模语料中统计一个词的上下文相关词,并用这些上下文相关词组成的向量来表达这个词。
通过计算词向量的相似性,即可得到词的相似性。
相似性的假设是建立在如果两个词的上下文相关词越相似,那么这两个词就越相似这个前提下的。
通过运行项目根目录下的脚本demo-word-vector-corpus.bat来体验word项目自带语料库的效果
如果有自己的文本内容,可以使用脚本demo-word-vector-file.bat来对文本分词、建立词向量、计算相似性
Java中的word分词怎么使用的详细内容,希望对您有所帮助,信息来源于网络。