11大Java开源中文分词器的使用方法和分词效果对比

RozAlford 8年前
   <p>本文的目标有两个:</p>    <p>1、学会使用11大Java开源中文分词器</p>    <p>2、对比分析11大Java开源中文分词器的分词效果</p>    <p>本文给出了11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。</p>    <p>11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:</p>    <pre>  <code class="language-java">/**   * 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);  }</code></pre>    <p>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。</p>    <p>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。</p>    <p>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。</p>    <p>下面我们利用这11大分词器来实现这个接口:</p>    <h3><strong>1、word分词器</strong></h3>    <pre>  <code class="language-java">@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();  }</code></pre>    <h3>2、Ansj分词器</h3>    <pre>  <code class="language-java">@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;  }</code></pre>    <h3><strong>3、Stanford分词器</strong></h3>    <pre>  <code class="language-java">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();  }</code></pre>    <h3><strong>4、FudanNLP分词器</strong></h3>    <pre>  <code class="language-java">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;  }</code></pre>    <h3><strong>5、Jieba分词器</strong></h3>    <pre>  <code class="language-java">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();   }</code></pre>    <h3><strong>6、Jcseg分词器</strong></h3>    <pre>  <code class="language-java">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();  }</code></pre>    <h3><strong>7、MMSeg4j分词器</strong></h3>    <pre>  <code class="language-java">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();  }</code></pre>    <h3><strong>8、IKAnalyzer分词器</strong></h3>    <pre>  <code class="language-java">@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();  }</code></pre>    <h3><strong>9、Paoding分词器</strong></h3>    <pre>  <code class="language-java">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();            }</code></pre>    <h3><strong>10、smartcn分词器</strong></h3>    <pre>  <code class="language-java">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();  }</code></pre>    <h3><strong>11、HanLP分词器</strong></h3>    <pre>  <code class="language-java">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("标准分词", standard(text));      map.put("NLP分词", nlp(text));      map.put("索引分词", index(text));      map.put("N-最短路径分词", nShort(text));      map.put("最短路径分词", shortest(text));      map.put("极速词典分词", 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();  }</code></pre>    <p>现在我们已经实现了本文的第一个目的:学会使用11大Java开源中文分词器。</p>    <p>最后我们来实现本文的第二个目的:对比分析11大Java开源中文分词器的分词效果,程序如下:</p>    <pre>  <code class="language-java">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("HanLP分词器", new HanLPEvaluation().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("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("HanLP分词器", new HanLPEvaluation().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("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("我爱楚离陌"));      showMore(contrastMore("我爱楚离陌"));  }</code></pre>    <p>运行结果如下:</p>    <pre>  <code class="language-java">********************************************  word分词器 的分词结果:   1 、我 爱 楚离陌   Stanford分词器 的分词结果:   1 、我 爱 楚 离陌    2 、我 爱 楚离陌   Ansj分词器 的分词结果:   1 、我 爱 楚离 陌    2 、我 爱 楚 离 陌   HanLP分词器 的分词结果:   1 、我 爱 楚 离 陌   smartcn分词器 的分词结果:   1 、我 爱 楚 离 陌   FudanNLP分词器 的分词结果:   1 、我 爱楚离陌  Jieba分词器 的分词结果:   1 、我爱楚 离 陌   Jcseg分词器 的分词结果:   1 、我 爱 楚 离 陌   MMSeg4j分词器 的分词结果:   1 、我爱 楚 离 陌   IKAnalyzer分词器 的分词结果:   1 、我 爱 楚 离 陌   ********************************************</code></pre>    <pre>  <code class="language-java">********************************************  word分词器 的分词结果:   1 、【全切分算法】 我 爱 楚离陌    2 、【双向最大最小匹配算法】 我 爱 楚离陌    3 、【正向最大匹配算法】 我 爱 楚离陌    4 、【双向最大匹配算法】 我 爱 楚离陌    5 、【逆向最大匹配算法】 我 爱 楚离陌    6 、【正向最小匹配算法】 我 爱 楚离陌    7 、【双向最小匹配算法】 我 爱 楚离陌    8 、【逆向最小匹配算法】 我 爱 楚离陌   Stanford分词器 的分词结果:   1 、【Stanford Chinese Treebank segmentation】 我 爱 楚离陌    2 、【Stanford Beijing University segmentation】 我 爱 楚 离陌   Ansj分词器 的分词结果:   1 、【BaseAnalysis】 我 爱 楚 离 陌    2 、【IndexAnalysis】 我 爱 楚 离 陌    3 、【ToAnalysis】 我 爱 楚 离 陌    4 、【NlpAnalysis】 我 爱 楚离 陌   HanLP分词器 的分词结果:   1 、【NLP分词】 我 爱 楚 离 陌    2 、【标准分词】 我 爱 楚 离 陌    3 、【N-最短路径分词】 我 爱 楚 离 陌    4 、【索引分词】 我 爱 楚 离 陌    5 、【最短路径分词】 我 爱 楚 离 陌    6 、【极速词典分词】 我 爱 楚 离 陌   smartcn分词器 的分词结果:   1 、【smartcn】 我 爱 楚 离 陌   FudanNLP分词器 的分词结果:   1 、【FudanNLP】 我 爱楚离陌  Jieba分词器 的分词结果:   1 、【SEARCH】 我爱楚 离 陌    2 、【INDEX】 我爱楚 离 陌   Jcseg分词器 的分词结果:   1 、【简易模式】 我 爱 楚 离 陌    2 、【复杂模式】 我 爱 楚 离 陌   MMSeg4j分词器 的分词结果:   1 、【SimpleSeg】 我爱 楚 离 陌    2 、【ComplexSeg】 我爱 楚 离 陌    3 、【MaxWordSeg】 我爱 楚 离 陌   IKAnalyzer分词器 的分词结果:   1 、【智能切分】 我 爱 楚 离 陌    2 、【细粒度切分】 我 爱 楚 离 陌   ********************************************</code></pre>    <p> </p>    <p> </p>    <p>来自:http://my.oschina.net/apdplat/blog/412921</p>    <p> </p>