HanLP自然语言处理包初步安装与使用

HanLP是由一系列模型与算法组成的Java工具包,目标是促进自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。

HanLP能提供以下功能:关键词提取、短语提取、繁体转简体、简体转繁体、分词、词性标注、拼音转换、自动摘要、命名实体识别(地名、机构名等)、文本推荐等功能,详细请参见以下链接:http://www.hankcs.com/nlp/hanlp.html

HanLP下载地址:https://github.com/hankcs/HanLP/releases,HanLP项目主页:https://github.com/hankcs/HanLP

        1、HanLP安装

         hanlp是由jar包、properties文件和data数据模型组成,因此,在安装时,这三种文件都应该有。可以通过建立java工程即可运行。

         hanlp.properties文件中描述了不同词典的相对路径以及root根目录,因此,可以在此文件中修改其路径。

         hanlp-1.3.4.jar包中包含了各种算法及提取方法的api,大部分方法都是静态的,可以通过HanLP直接进行调用,因此,使用非常方便。

         data文件夹中包含了dictionary和model文件夹,dictionary中主要是各种类型的词典,model主要是分析模型,hanlp api中的算法需要使用model中的数据模型。

         2、HanLP的使用

         普通java工程目录如下所示:


HanLP自然语言处理包初步安装与使用_第1张图片

           3、HanLP的具体使用

           例如:对excel中的聊天记录字段进行热点词的提取,计算并排序,功能如下所示

package com.run.hanlp.demo;

import java.util.ArrayList;

import java.util.Collections;

import java.util.Comparator;

import java.util.HashMap;

import java.util.List;

import java.util.Map;

import java.util.Map.Entry;

import org.apache.log4j.Logger;

import com.hankcs.hanlp.HanLP;

import com.hankcs.hanlp.seg.common.Term;

import com.hankcs.hanlp.suggest.Suggester;

import com.hankcs.hanlp.summary.TextRankKeyword;

import com.hankcs.hanlp.tokenizer.NLPTokenizer;

import com.hankcs.hanlp.tokenizer.StandardTokenizer;

import com.run.util.ExcelUtil;

public class HanlpTest {

public static final Logger log = Logger.getLogger(HanlpTest.class);

public static void main(String[] args) {

log.info("关键词提取:");

HanlpTest.getWordAndFrequency();

}

/**

* 获取所有关键词和频率

*/

public static void getWordAndFrequency() {

// String content =

// "程序员(英文Programmer)是从事程序开发、维护的专业人员。一般将程序员分为程序设计人员和程序编码人员,但两者的界限并不非常清楚,特别是在中国。软件从业人员分为初级程序员、高级程序员、系统分析员和项目经理四大类。";

List> content = ExcelUtil.readExcelByField("i:/rundata/excelinput",5000,5);

Map allKeyWords=new HashMap<>();

for(int i=0;i

Map oneMap=content.get(i);

for(String str:oneMap.keySet()){

int count = oneMap.get(str);

CombinerKeyNum(str,count,allKeyWords);

}

}

List> sortedMap=sortMapByValue(allKeyWords);

log.info(sortedMap);

}

/**

*

* @param allKeyWords 需要进行排序的map

* @return 返回排序后的list

*/

public static List> sortMapByValue(Map allKeyWords){

List> sortList=new ArrayList<>(allKeyWords.entrySet());

Collections.sort(sortList, new Comparator>() {

public int compare(Map.Entry o1, Map.Entry o2) {

return (o2.getValue() - o1.getValue());

}

});

return sortList;

}

/**

*

* @param key 关键词变量

* @param value 关键词词频变量

* @param allKeyWords  存放关键词和词频的map

*/

public static void CombinerKeyNum(String key,int value,Map allKeyWords){

if(allKeyWords.containsKey(key)){

int count=allKeyWords.get(key);

count+=value;

allKeyWords.put(key, count);

}else{

allKeyWords.put(key, value);

}

}

/**

*

* @param content 需要提取关键词的字符串变量

* @return 返回关键词以及关键词词频数的map

*

*/

public static HashMap getKeyWordMap(String content) {

List list = StandardTokenizer.SEGMENT.seg(content);

TextRankKeyword textmap = new TextRankKeyword();

Map map = textmap.getTermAndRank(content);

Map mapCount = new HashMap<>();

for (String str : map.keySet()) {

String keyStr = str;

int count = 0;

for (int i = 0; i < list.size(); i++) {

if (keyStr.equals(list.get(i).word)) {

count++;

}

}

mapCount.put(keyStr, Integer.valueOf(count));

}

//        log.info(mapCount);

return (HashMap) mapCount;

}

}

运行之后,结果如下:


 由此可见,可以看见从excel中提取出来的热点词汇及其频率。

文章来源于计算机之wind的博客

你可能感兴趣的:(HanLP自然语言处理包初步安装与使用)