此文整理的基礎是建立在hanlp較早版本的基礎上的,雖然hanlp的最新1.7版本已經發布,但對於入門來說差別不大!分享一篇比較早的“舊文”給需要的朋友!
安裝HanLP
HanLP將數據與程序分離,給予用戶自定義的自由。 HanLP由三部分組成:HanLP = .jar + data + .properties ,請前往 項目主頁 下載這三個部分。
1、下載jar
放入classpath並添加依賴。
2、下載數據集
HanLP 中的數據分爲 詞典 和 模型 ,其中 詞典 是詞法分析必需的, 模型 是句法分析必需的,data目錄結構如下:
data
│
├─dictionary
└─model
用戶可以自行增刪替換,如果不需要句法分析功能的話,隨時可以刪除model文件夾。
可選數據集
3、配置文件
示例配置文件:
#本配置文件中的路徑的根目錄,根目錄+其他路徑=絕對路徑
#Windows用戶請注意,路徑分隔符統一使用/
root=E:/JavaProjects/HanLP/
#核心詞典路徑
CoreDictionaryPath=data/dictionary/CoreNatureDictionary.txt
#2元語法詞典路徑
BiGramDictionaryPath=data/dictionary/CoreNatureDictionary.ngram.txt
#停用詞詞典路徑
CoreStopWordDictionaryPath=data/dictionary/stopwords.txt
#同義詞詞典路徑
CoreSynonymDictionaryDictionaryPath=data/dictionary/synonym/CoreSynonym.txt
#人名詞典路徑
PersonDictionaryPath=data/dictionary/person/nr.txt
#人名詞典轉移矩陣路徑
PersonDictionaryTrPath=data/dictionary/person/nr.tr.txt
#繁簡詞典路徑
TraditionalChineseDictionaryPath=data/dictionary/tc/TraditionalChinese.txt
#自定義詞典路徑,用;隔開多個自定義詞典,空格開頭表示在同一個目錄,使用“文件名 詞性”形式則表示這個詞典的詞性默認是該詞性。優先級遞減。
#另外data/dictionary/custom/CustomDictionary.txt是個高質量的詞庫,請不要刪除
CustomDictionaryPath=data/dictionary/custom/CustomDictionary.txt; 現代漢語補充詞庫.txt; 全國地名大全.txt ns; 人名詞典.txt; 機構名詞典.txt; 上海地名.txt ns;data/dictionary/person/nrf.txt nrf
配置文件的作用是告訴HanLP數據包的位置,只需修改第一行
root=usr/home/HanLP/
爲data的 父目錄 即可,比如data目錄是 /Users/hankcs/Documents/data ,那麼 root=/Users/hankcs/Documents/ 。
l 如果選用mini數據包的話,則需要修改配置文件:
CoreDictionaryPath=data/dictionary/CoreNatureDictionary.mini.txt
BiGramDictionaryPath=data/dictionary/CoreNatureDictionary.ngram.mini.txt
最後將HanLP.properties放入classpath即可:
對於Eclipse來講
project/bin
對於IntelliJ IDEA來講
project/target/classes
或者
project/out/production/project
Web項目的話可以放在如下位置:
Webapp/WEB-INF/lib
Webapp/WEB-INF/classes
Appserver/lib
JRE/lib
快速上手
HanLP 幾乎所有的功能都可以通過工具類 HanLP 快捷調用,當你想不起來調用方法時,只需鍵入 HanLP. ,IDE應當會給出提示,並展示HanLP完善的文檔。
推薦用戶始終通過工具類 HanLP 調用,這麼做的好處是,將來 HanLP 升級後,用戶無需修改調用代碼。
所有Demo都位於 com.hankcs.demo 下。
第一個Demo:
System.out.println(HanLP.segment("你好,歡迎使用HanLP!"));
l 內存要求
1.HanLP 對詞典的數據結構進行了長期的優化,可以應對絕大多數場景。哪怕 HanLP 的詞典上百兆也無需擔心,因爲在內存中被精心壓縮過。
2.如果內存非常有限,請使用小詞典。 HanLP 默認使用大詞典,同時提供小詞典,請參考配置文件章節。
3.在一些句法分析場景中,需要加載幾百兆的模型。如果發生 java.lang.OutOfMemoryError ,則建議使用JVM option -Xms1g -Xmx1g -Xmn512m。
l 寫給正在編譯 HanLP 的開發者
1.如果你正在編譯運行從Github檢出的 HanLP 代碼,並且沒有下載data,那麼首次加載詞典/模型會發生一個 自動緩存 的過程。
2.自動緩存 的目的是爲了加速詞典載入速度,在下次載入時,緩存的詞典文件會帶來毫秒級的加載速度。由於詞典體積很大, 自動緩存 會耗費一些時間,請耐心等待。
3.自動緩存 緩存的不是明文詞典,而是雙數組Trie樹、DAWG、AhoCorasickDoubleArrayTrie等數據結構。
如果一切正常,您會得到類似於如下的輸出:
[你好/vl, ,/w, 歡迎/v, 使用/v, HanLP/nx, !/w]
如果出現了問題,一般是由路徑配置不對而引發的,請根據控制檯輸出的警告調整。比如:
核心詞典
/Users/hankcs/JavaProjects/HanLP/data/data/dictionary/CoreNatureDictionary.txt加載失敗
說明HanLP.properties中的root項配置不對,應當去掉後綴 data/,改爲:
root=/Users/hankcs/JavaProjects/HanLP/