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:

/*** 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

@Overridepublic 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

@Overridepublic 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

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

private static CWSTagger tagger = null;static{try{tagger = new CWSTagger("lib/fudannlp_seg.m");tagger.setEnFilter(true);}catch(Exception e){e.printStackTrace();}}@Overridepublic 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

private static final JiebaSegmenter JIEBA_SEGMENTER = new JiebaSegmenter();@Overridepublic 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

private static final JcsegTaskConfig CONFIG = new JcsegTaskConfig();private static final ADictionary DIC = DictionaryFactory.createDefaultDictionary(CONFIG);static {CONFIG.setLoadCJKSyn(false);CONFIG.setLoadCJKPinyin(false);}@Overridepublic 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

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);@Overridepublic 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

@Overridepublic 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

private static final PaodingAnalyzer ANALYZER = new PaodingAnalyzer();@Overridepublic 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

private static final SmartChineseAnalyzer SMART_CHINESE_ANALYZER = new SmartChineseAnalyzer();@Overridepublic 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

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);@Overridepublic 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:

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:


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


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

Java开源的11个中文分词器使用方法和分词效果对比相关推荐

  1. Java web:基于jieba分词器(或ansj分词器)的文章关键词字符云(词云图)

    上来先丢一个展示图,吸引一下注意力(跑. 上图为对某论文用jieba分词后,计算其逆文档频率(TF-IDF)作为权重,并用echarts的字符云扩展包echarts-wordcloud画出来的字符云图 ...

  2. 中文分词算法python_Python FMM算法的中文分词器实现方法源码

    这是一篇基于Python代码使用FMM算法达到中文分词效果实现方法的文章.中文语句分词因为编码的关系在Python语言中并不是很好处理,关于中文乱码与编码的问题解决方法,可以参考玩蛇网的Python中 ...

  3. 3.ElasticSearch分词器,包括默认分词器、英文分词器、中文分词器

    注:测试环境:CentOS Linux release 7.6.1810 (Core)  jdk:1.8 elasticsearch:6.8.2 单节点 es       安装:https://blo ...

  4. 公司开源的java分词,Java开源项目cws_evaluation:中文分词器分词效果评估

    通过对前文<word分词器.ansj分词器.mmseg4j分词器.ik-analyzer分词器分词效果评估>中写的评估程序进行重构改进,形成了一个新的Java开源项目cws_evaluat ...

  5. 开源项目在线化 中文繁简体转换/敏感词/拼音/分词/汉字相似度/markdown 目录

    前言 以前在 github 上自己开源了一些项目.碍于技术与精力,大部分项目都是 java 实现的. 这对于非 java 开发者而言很不友好,对于不会编程的用户更加不友好. 为了让更多的人可以使用到这 ...

  6. 【IKAnalyzer中文分词器详解-(1)分词逻辑】

    分词的目的:把一句话,分解成单字.数量词 .词 (分词算法中称为"词元") 初始化词典Trie树结构 把句子分解成词 处理歧义与冲突词,删除多余的低权重词元 应用目的: 搜索引擎为 ...

  7. Java开源 之随机生成中文姓名,手机号,邮编,住址

    import java.util.HashMap; import java.util.Map;/*** 随机生成中文姓名,性别,Email,手机号,住址*/ public class RandomVa ...

  8. Elasticsearch 默认分词器和中分分词器之间的比较及使用方法

    首发地址:http://www.54tianzhisheng.cn/2017/09/07/Elasticsearch-analyzers/ 介绍:ElasticSearch 是一个基于 Lucene ...

  9. Elasticsearch 系列文章(一):Elasticsearch 默认分词器和中分分词器之间的比较及使用方法

    介绍:ElasticSearch 是一个基于 Lucene 的搜索服务器.它提供了一个分布式多用户能力的全文搜索引擎,基于 RESTful web 接口.Elasticsearch 是用 Java 开 ...

最新文章

  1. php正则匹配多个,php – 将多个匹配正则表达式合并为一个并获得匹配的表达式...
  2. CSS3之伪元素选择器和伪类选择器
  3. 关于变量在循环内声明还是在循环外声明
  4. VS2005+cygwin编译WebKit
  5. es6 方法的修饰器
  6. jQuery选择器经典案例
  7. 数据结构+算法+c++学习(写在前面)
  8. 【渝粤教育】国家开放大学2018年春季 4990T电子商务概论(农) 参考试题
  9. linux命令 sync,linux sync命令详解
  10. 网页版bpc电波对时_BPC电波对时助手下载-BPC电波对时appv1.04 最新版-腾牛安卓网...
  11. python实现QQ机器人(自动登录,获取群消息,发送群消息)
  12. ppt流程图箭头分叉_PPT实用模版大全(最全箭头、流程图).ppt
  13. 电子厂里撂了挑子,我默默自学起了Android|2021年中总结
  14. 一个或多个listeners启动失败,更多详细信息查看对应的容器日志文件
  15. bsl是计算机术语吗,一种BSL的确定方法、BIER-TE控制器和计算机存储介质与流程...
  16. 灰度变换-分段线性函数
  17. 特岗计算机考试题2018年,2020年特岗模拟考试试题及答案.pdf
  18. 系统架构师(十四)信息系统
  19. 如何科学检测新型冠状病毒?
  20. Android获取手机当前连接的WiFi信息(SSID,IP,连接状态)

热门文章

  1. linux ghost系统安装教程,GHOST 使用方法图文详解 PDF
  2. 重庆邮电大学计算机2019湖北分数线,2019重庆邮电大学录取分数线及历年专业分数线统计表【文科 理科】...
  3. [Pytorch系列-28]:神经网络基础 - torch.nn模块功能列表
  4. 莫比乌斯函数莫比乌斯反演
  5. iOS开源项目MobileProject功能点介绍
  6. 石英加速度计的工作原理
  7. pagerank算法详解
  8. STM32之UART
  9. 融合与创新:数据堂骨龄标注工具为医生赋能
  10. Atitit 经济学常见的流派 古典主义与凯恩斯主义