本文的目標有兩個:
1、學會使用11大Java開源中文分詞器
2、對比分析11大Java開源中文分詞器的分詞效果
本文給出了11大Java開源中文分詞的使用方法以及分詞結果對比代碼,至於效果哪個好,那要用的人結合自己的應用場景自己來判斷。
11大Java開源中文分詞器,不同的分詞器有不同的用法,定義的接口也不一樣,我們先定義一個統一的接口:
/**
* 獲取文本的所有分詞結果, 對比不同分詞器結果
*
*/
public interface WordSegmenter {
/**
* 獲取文本的所有分詞結果
* @param text 文本
* @return 所有的分詞結果,去除重複
*/
default public Set<String> seg(String text) {
return segMore(text).values().stream().collect(Collectors.toSet());
}
/**
* 獲取文本的所有分詞結果
* @param text 文本
* @return 所有的分詞結果,KEY 爲分詞器模式,VALUE 爲分詞器結果
*/
public Map<String, String> segMore(String text);
}
從上面的定義我們知道,在Java中,同樣的方法名稱和參數,但是返回值不同,這種情況不可以使用重載。
這兩個方法的區別在於返回值,每一個分詞器都可能有多種分詞模式,每種模式的分詞結果都可能不相同,第一個方法忽略分詞器模式,返回所有模式的所有不重複分詞結果,第二個方法返回每一種分詞器模式及其對應的分詞結果。
在這裏,需要注意的是我們使用了Java8中的新特性默認方法,並使用stream把一個map的value轉換爲不重複的集合。
下面我們利用這11大分詞器來實現這個接口:
1、word分詞器
@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分詞器
@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分詞器
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分詞器
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分詞器
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分詞器
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("複雜模式", segText(text, JcsegTaskConfig.COMPLEX_MODE));
map.put("簡易模式", 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分詞器
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分詞器
@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("細粒度切分", 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分詞器
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分詞器
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();
}
11、HanLP分詞器
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("標準分詞", standard(text));
map.put("NLP分詞", nlp(text));
map.put("索引分詞", index(text));
map.put("N-最短路徑分詞", nShort(text));
map.put("最短路徑分詞", shortest(text));
map.put("極速詞典分詞", 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();
}
現在我們已經實現了本文的第一個目的:學會使用11大Java開源中文分詞器。
最後我們來實現本文的第二個目的:對比分析11大Java開源中文分詞器的分詞效果,程序如下:
public static Map<String, Set<String>> contrast(String text){
Map<String, Set<String>> map = new LinkedHashMap<>();
map.put("word分詞器", new WordEvaluation().seg(text));
map.put("Stanford分詞器", new StanfordEvaluation().seg(text));
map.put("Ansj分詞器", new AnsjEvaluation().seg(text));
map.put("HanLP分詞器", new HanLPEvaluation().seg(text));
map.put("FudanNLP分詞器", new FudanNLPEvaluation().seg(text));
map.put("Jieba分詞器", new JiebaEvaluation().seg(text));
map.put("Jcseg分詞器", new JcsegEvaluation().seg(text));
map.put("MMSeg4j分詞器", new MMSeg4jEvaluation().seg(text));
map.put("IKAnalyzer分詞器", new IKAnalyzerEvaluation().seg(text));
map.put("smartcn分詞器", 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分詞器", new WordEvaluation().segMore(text));
map.put("Stanford分詞器", new StanfordEvaluation().segMore(text));
map.put("Ansj分詞器", new AnsjEvaluation().segMore(text));
map.put("HanLP分詞器", new HanLPEvaluation().segMore(text));
map.put("FudanNLP分詞器", new FudanNLPEvaluation().segMore(text));
map.put("Jieba分詞器", new JiebaEvaluation().segMore(text));
map.put("Jcseg分詞器", new JcsegEvaluation().segMore(text));
map.put("MMSeg4j分詞器", new MMSeg4jEvaluation().segMore(text));
map.put("IKAnalyzer分詞器", new IKAnalyzerEvaluation().segMore(text));
map.put("smartcn分詞器", new SmartCNEvaluation().segMore(text));
return map;
}
public static void show(Map<String, Set<String>> map){
map.keySet().forEach(k -> {
System.out.println(k + " 的分詞結果:");
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 + " 的分詞結果:");
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("我愛楚離陌"));
showMore(contrastMore("我愛楚離陌"));
}
運行結果如下:
word分詞器 的分詞結果:
1 、我 愛 楚離陌
Stanford分詞器 的分詞結果:
1 、我 愛 楚 離陌
2 、我 愛 楚離陌
Ansj分詞器 的分詞結果:
1 、我 愛 楚離 陌
2 、我 愛 楚 離 陌
HanLP分詞器 的分詞結果:
1 、我 愛 楚 離 陌
smartcn分詞器 的分詞結果:
1 、我 愛 楚 離 陌
FudanNLP分詞器 的分詞結果:
1 、我 愛楚離陌
Jieba分詞器 的分詞結果:
1 、我愛楚 離 陌
Jcseg分詞器 的分詞結果:
1 、我 愛 楚 離 陌
MMSeg4j分詞器 的分詞結果:
1 、我愛 楚 離 陌
IKAnalyzer分詞器 的分詞結果:
1 、我 愛 楚 離 陌
word分詞器 的分詞結果:
1 、【全切分算法】 我 愛 楚離陌
2 、【雙向最大最小匹配算法】 我 愛 楚離陌
3 、【正向最大匹配算法】 我 愛 楚離陌
4 、【雙向最大匹配算法】 我 愛 楚離陌
5 、【逆向最大匹配算法】 我 愛 楚離陌
6 、【正向最小匹配算法】 我 愛 楚離陌
7 、【雙向最小匹配算法】 我 愛 楚離陌
8 、【逆向最小匹配算法】 我 愛 楚離陌
Stanford分詞器 的分詞結果:
1 、【Stanford Chinese Treebank segmentation】 我 愛 楚離陌
2 、【Stanford Beijing University segmentation】 我 愛 楚 離陌
Ansj分詞器 的分詞結果:
1 、【BaseAnalysis】 我 愛 楚 離 陌
2 、【IndexAnalysis】 我 愛 楚 離 陌
3 、【ToAnalysis】 我 愛 楚 離 陌
4 、【NlpAnalysis】 我 愛 楚離 陌
HanLP分詞器 的分詞結果:
1 、【NLP分詞】 我 愛 楚 離 陌
2 、【標準分詞】 我 愛 楚 離 陌
3 、【N-最短路徑分詞】 我 愛 楚 離 陌
4 、【索引分詞】 我 愛 楚 離 陌
5 、【最短路徑分詞】 我 愛 楚 離 陌
6 、【極速詞典分詞】 我 愛 楚 離 陌
smartcn分詞器 的分詞結果:
1 、【smartcn】 我 愛 楚 離 陌
FudanNLP分詞器 的分詞結果:
1 、【FudanNLP】 我 愛楚離陌
Jieba分詞器 的分詞結果:
1 、【SEARCH】 我愛楚 離 陌
2 、【INDEX】 我愛楚 離 陌
Jcseg分詞器 的分詞結果:
1 、【簡易模式】 我 愛 楚 離 陌
2 、【複雜模式】 我 愛 楚 離 陌
MMSeg4j分詞器 的分詞結果:
1 、【SimpleSeg】 我愛 楚 離 陌
2 、【ComplexSeg】 我愛 楚 離 陌
3 、【MaxWordSeg】 我愛 楚 離 陌
IKAnalyzer分詞器 的分詞結果:
1 、【智能切分】 我 愛 楚 離 陌
2 、【細粒度切分】 我 愛 楚 離 陌