360SDN.COM

首页/Java/列表

10大Java开源中文分词器的使用方法和分词效果对比

来源:  2017-06-28 20:10:38    评论:0点击:

原文  http://my.oschina.net/apdplat/blog/412921

本文的目标有两个:

1、学会使用10大Java开源中文分词器

2、对比分析10 大Java开源中文分词器的分词效果

本文给出了10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。

10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:

/**
 * 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10大分词器来实现这个接口:

1、word分词器

@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

@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

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

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

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

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

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

@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

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

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();
}

现在我们已经实现了本文的第一个目的:学会使用10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 10 大Java开源中文分词器的分词效果,程序如下:

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("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("Paoding分词器", new PaodingEvaluation().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("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("Paoding分词器", new PaodingEvaluation().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("杨尚川是APDPlat应用级产品开发平台的作者"));
	showMore(contrastMore("杨尚川是APDPlat应用级产品开发平台的作者"));
}

运行结果如下:

word分词器 的分词结果:
	1 、杨尚川 是 APDPlat 应用 级 产品 开发 平台 的 作者 
	2 、杨尚川 是 apdplat 应用级 产品 开发平台 的 作者 
	3 、杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	4 、杨尚川 是 apdplat 应用级 产品 开发 平台 的 作者 
Stanford分词器 的分词结果:
	1 、杨 尚 川 是 APDPlat 应用 级 产品 开发 平台 的 作者 
	2 、杨 尚川 是 APDPlat 应用 级 产品 开发 平台 的 作者 
Ansj分词器 的分词结果:
	1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	2 、杨 杨尚川 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	3 、杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	4 、杨尚川 是 apdplat 应用级 产品 开发 平台 的 作者 
FudanNLP分词器 的分词结果:
	1 、杨尚川 是 APDPlat应 用级 产品 开发 平台 的 作者
Jieba分词器 的分词结果:
	1 、杨尚川 是 apdplat 应用 级 产品 开发 产品开发 平台 的 作者 
	2 、杨尚川 是 apdplat 应用 级 产品开发 平台 的 作者 
Jcseg分词器 的分词结果:
	1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	2 、杨 尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 
MMSeg4j分词器 的分词结果:
	1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
IKAnalyzer分词器 的分词结果:
	1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
Paoding分词器 的分词结果:
	1 、杨尚 尚川 apdplat 应用 级 产品 开发 平台 作者
smartcn分词器 的分词结果:
	1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平 台 的 作者
word分词器 的分词结果:
	1 、【全切分算法】	杨尚川 是 APDPlat 应用 级 产品 开发 平台 的 作者 
	2 、【双向最大最小匹配算法】	杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	3 、【正向最大匹配算法】	杨尚川 是 apdplat 应用级 产品 开发平台 的 作者 
	4 、【双向最大匹配算法】	杨尚川 是 apdplat 应用级 产品 开发平台 的 作者 
	5 、【逆向最大匹配算法】	杨尚川 是 apdplat 应用级 产品 开发平台 的 作者 
	6 、【正向最小匹配算法】	杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	7 、【双向最小匹配算法】	杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	8 、【逆向最小匹配算法】	杨尚川 是 apdplat 应用级 产品 开发 平台 的 作者 
Stanford分词器 的分词结果:
	1 、【Stanford Chinese Treebank segmentation】	杨 尚 川 是 APDPlat 应用 级 产品 开发 平台 的 作者 
	2 、【Stanford Beijing University segmentation】	杨 尚川 是 APDPlat 应用 级 产品 开发 平台 的 作者 
Ansj分词器 的分词结果:
	1 、【BaseAnalysis】	杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	2 、【IndexAnalysis】	杨 杨尚川 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	3 、【ToAnalysis】	杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	4 、【NlpAnalysis】	杨尚川 是 apdplat 应用级 产品 开发 平台 的 作者 
FudanNLP分词器 的分词结果:
	1 、【FudanNLP】	杨尚川 是 APDPlat应 用级 产品 开发 平台 的 作者
Jieba分词器 的分词结果:
	1 、【SEARCH】	杨尚川 是 apdplat 应用 级 产品开发 平台 的 作者 
	2 、【INDEX】	杨尚川 是 apdplat 应用 级 产品 开发 产品开发 平台 的 作者 
Jcseg分词器 的分词结果:
	1 、【简易模式】	杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	2 、【复杂模式】	杨 尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 
MMSeg4j分词器 的分词结果:
	1 、【SimpleSeg】	杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	2 、【ComplexSeg】	杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	3 、【MaxWordSeg】	杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
IKAnalyzer分词器 的分词结果:
	1 、【智能切分】	杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
	2 、【细粒度切分】	杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 
Paoding分词器 的分词结果:
	1 、【MAX_WORD_LENGTH_MODE】	杨尚 尚川 apdplat 应用 级 产品 开发 平台 作者 
	2 、【MOST_WORDS_MODE】	杨尚 尚川 apdplat 应用 级 产品 开发 平台 作者
smartcn分词器 的分词结果:
	1 、【smartcn】	杨 尚 川 是 apdplat 应用 级 产品 开发 平 台 的 作者

完整代码看这里

为您推荐

友情链接 |九搜汽车网 |手机ok生活信息网|ok生活信息网|ok微生活
 Powered by www.360SDN.COM   京ICP备11022651号-4 © 2012-2016 版权