11大Java开源中文分词器的使用方法和分词效果对比

 

 

本文的目标有两个:

1、学会使用11大Java开源中文分词器

2、对比分析11大Java开源中文分词器的分词效果

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。

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:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
/**
  * 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11大分词器来实现这个接口:

1、word分词器

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
@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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
@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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
@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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
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分词器

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
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();
}

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。

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:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
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" ));
}

运行结果如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
********************************************
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 
********************************************
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
********************************************
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 

你可能感兴趣的:(11大Java开源中文分词器的使用方法和分词效果对比)