分词工具比较及使用(ansj、hanlp、jieba)
一、分词工具
ansj、hanlp、jieba
二、优缺点
1.ansj
优点:
提供多种分词方式
可直接根据内部词库分出人名、机构等信息
可构造多个词库,在分词时可动态选择所要使用的词库
缺点:
自定义词典时,系统词典还是被优先使用,导致词性不是自定义词典中的词性
多单词英文姓名无法分出
适用场景
若不使用自定义分词,可直接使用ansj
2.hanlp
优点:
自定义分词、词性方便
可分出多单词的英文名称(词典数据可带空格)
可动态增删词库,
动态添加词典前五千万速度很快,5m左右
缺点:
动态添加词典前五千万快的很,越往后越慢
词典文件添加自定义词典速度略慢,添加100w需要2m30s
适用场景:
词典数量少于五千万,词典数据若包含空格,用hanlp比较合适
3.jieba
优点:
自定义分词、词性方便
词典文件添加自定义词典比hanlp快,词典文件添加100w需要1m,八千万 2h多
缺点:
自定义词典时,带空格的词不支持
适用场景:
词典数量大于五千万
词典数据不能包含空格,否则分不出
ansj的使用
1.maven引入ansj包
<ansj.version>5.0.4</ansj.version>
<tree_split.version>1.5</tree_split.version>
<nlp-lang.version>1.7.7</nlp-lang.version><!-- ansj_seg -->
<dependency><groupId>org.ansj</groupId><artifactId>ansj_seg</artifactId><version>${ansj.version}</version>
</dependency>
<!-- tree_split -->
<dependency><groupId>org.ansj</groupId><artifactId>tree_split</artifactId><version>${tree_split.version}</version>
</dependency>
<!-- nlp-lang -->
<dependency><groupId>org.nlpcn</groupId><artifactId>nlp-lang</artifactId><version>${nlp-lang.version}</version>
</dependency>
2.在项目根目录下创建library文件夹,文件夹下包括以下几个词典文件(自行添加)
ambiguity.dic
default.dic
userLibrary.dic
3.使用
package com.zhen.segment;import java.io.InputStream;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;import org.ansj.domain.Result;
import org.ansj.domain.Term;
import org.ansj.library.UserDefineLibrary;
import org.ansj.splitWord.analysis.BaseAnalysis;
import org.ansj.splitWord.analysis.NlpAnalysis;
import org.ansj.splitWord.analysis.ToAnalysis;
import org.nlpcn.commons.lang.tire.domain.Forest;
import org.nlpcn.commons.lang.tire.domain.Value;
import org.nlpcn.commons.lang.tire.library.Library;/*** @author FengZhen* @date Jan 30, 2019* ansj分词*/
public class SegmentTest {public static void main(String[] args) {
// dynamicWord();
// localDic();
// moreUserDic();}/*** 多用户词典(新增、删除)*/public static void moreUserDic() {// 多用户词典String str = "神探夏洛克这部电影作者.是一个dota迷";System.out.println(ToAnalysis.parse(str));// 两个词汇 神探夏洛克 douta迷Forest dic1 = new Forest();Library.insertWord(dic1, new Value("神探夏洛克", "define", "1000"));Forest dic2 = new Forest();Library.insertWord(dic2, new Value("dota迷", "define", "1000"));System.out.println(ToAnalysis.parse(str, dic1, dic2));System.out.println("-------删除dic1中的词");Library.removeWord(dic1, "神探夏洛克");System.out.println(ToAnalysis.parse(str, dic1, dic2));}/*** 动态增删词库*/public static void dynamicWord(){// 增加新词,中间按照'\t'隔开UserDefineLibrary.insertWord("ansj中文分词", "userDefine", 1000);Result result = ToAnalysis.parse("我觉得Ansj中文分词是一个不错的系统!我是王婆!");System.out.println("增加新词例子:" + result);// 删除词语,只能删除.用户自定义的词典.UserDefineLibrary.removeWord("ansj中文分词");result = ToAnalysis.parse("我觉得ansj中文分词是一个不错的系统!我是王婆!");System.out.println("删除用户自定义词典例子:" + result);//将用户自定义词典清空UserDefineLibrary.clear();}/*** 加载词典文件*/public static void localDic(){try {//读的是根目录下的Forest rootForest = Library.makeForest("library/userLibrary.dic");System.out.println(rootForest.toMap());//加载字典文件,取的是resource下的InputStream inputStream = SegmentTest.class.getResourceAsStream("/library/userLibrary.dic");Forest resoutceForest=Library.makeForest(inputStream);String str = "我觉得ansj中文分词是一个不错的系统!我是王婆!";Result result=ToAnalysis.parse(str, resoutceForest);//传入forestList<Term> termList=result.getTerms();for(Term term:termList){System.out.println(term.getName()+":"+term.getNatureStr());}} catch (Exception e) {e.printStackTrace();}}/*** 基本分词* 基本就是保证了最基本的分词.词语颗粒度最非常小的..所涉及到的词大约是10万左右.* 基本分词速度非常快.在macAir上.能到每秒300w字每秒.同时准确率也很高.但是对于新词他的功能十分有限* @param content*/public static void baseAnay(String content) {Result result = BaseAnalysis.parse(delHTMLTag(content).replace("\n","").replace(" ", "").replace("\t",""));System.out.println("result:" + result);}/*** 精准分词* 它在易用性,稳定性.准确性.以及分词效率上.都取得了一个不错的平衡.* @param content*/public static void toAnay(String content){Result result = ToAnalysis.parse(content);System.out.println("result:" + result);}/*** nlp分词(单条新闻处理7秒)* 可以识别出未登录词.但是它也有它的缺点.速度比较慢.稳定性差.ps:我这里说的慢仅仅是和自己的其他方式比较.应该是40w字每秒的速度吧.* 个人觉得nlp的适用方式.1.语法实体名抽取.未登录词整理.只要是对文本进行发现分析等工作* 会把企业分开* @param content*/public static void nlpAnay(String content){Result result = NlpAnalysis.parse(delHTMLTag(content).replace("\n","").replace(" ", "").replace("\t",""));System.out.println("result:" + result);List<Term> terms = result.getTerms();for (Term term : terms) {String name = term.getName();String nature = term.getNatureStr();if (nature.equals("nt") || nature.equals("nr")) {System.out.println("------------------");System.out.println("getName:" + term.getName());System.out.println("getNatureStr:" + term.getNatureStr());}}}/*** 筛除HTML标签* @param htmlStr* @return*/public static String delHTMLTag(String htmlStr){String regEx_script="<script[^>]*?>[\\s\\S]*?<\\/script>"; //定义script的正则表达式String regEx_style="<style[^>]*?>[\\s\\S]*?<\\/style>"; //定义style的正则表达式String regEx_html="<[^>]+>"; //定义HTML标签的正则表达式Pattern p_script=Pattern.compile(regEx_script,Pattern.CASE_INSENSITIVE);Matcher m_script=p_script.matcher(htmlStr);htmlStr=m_script.replaceAll(""); //过滤script标签Pattern p_style=Pattern.compile(regEx_style,Pattern.CASE_INSENSITIVE);Matcher m_style=p_style.matcher(htmlStr);htmlStr=m_style.replaceAll(""); //过滤style标签Pattern p_html=Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE);Matcher m_html=p_html.matcher(htmlStr);htmlStr=m_html.replaceAll(""); //过滤html标签return htmlStr.trim(); //返回文本字符串}}
hanlp的使用
1.maven添加依赖
<dependency><groupId>com.hankcs</groupId><artifactId>hanlp</artifactId><version>portable-1.7.1</version>
</dependency>
2.动态添加词
/*** 新增词*/public static void addWord(String word, NatureEnum nature) {logger.info("==== addWord@word:{},nature:{},weight:{} ====", word, nature.getNature(), nature.getWeight());if (!StringUtils.isBlank(word) && !word.equals("null")) {//大小括号问题if (word.contains("(") || word.contains(")")) {CustomDictionary.insert(word.replace("(", "(").replace(")", ")"), nature.getNature());}else if (word.contains("(") || word.contains(")")) {CustomDictionary.insert(word.replace("(", "(").replace(")", ")"), nature.getNature());}CustomDictionary.insert(word, nature.getNature());}else {logger.warn("==== addWord@ word({})为空 ====", word);}}
3.动态删除词
/*** 删除词* @param forest* @param word*/public static void deleteWord(String word) {logger.info("==== deleteWord@word:{} ====", word);if (!StringUtils.isBlank(word)) {CustomDictionary.remove(word);}else {logger.warn("==== deleteWord@word为空({}) ====", word);}}
4.使用
/*** 分词* @param content* @param forests* ToAnalysis精准分词* BaseAnalysis基础分词*/public static SegmentResult segment(String content) {logger.info("==== segment@content:{} ====", content);SegmentResult segmentResult = new SegmentResult();List<Term> terms = HanLP.segment(content);Set<String> companySet = new HashSet<String>();for (Term term : terms) {String name = term.word;String nature = term.nature.toString();if (nature.equals(NatureEnum.Company.getNature())) {companySet.add(name);}}segmentResult.setCompanys(new ArrayList<String>(companySet));logger.info("==== segment@分词结果:{},提取结果:{} ====", terms.toString(), segmentResult.toString());return segmentResult;}
5.自定义词典文件
词典文件格式如下,依次是 词、词性、权重
word nature weight
需要下载hanlp的data及hanlp.properties
https://github.com/hankcs/HanLP
data文件夹如下
hanlp.properties如下
#本配置文件中的路径的根目录,根目录+其他路径=完整路径(支持相对路径,请参考:https://github.com/hankcs/HanLP/pull/254)
#Windows用户请注意,路径分隔符统一使用/
root=/Users/FengZhen/Desktop/accumulate/分词/HanLP/#好了,以上为唯一需要修改的部分,以下配置项按需反注释编辑。#核心词典路径
#CoreDictionaryPath=data/dictionary/CoreNatureDictionary.txt
#2元语法词典路径
#BiGramDictionaryPath=data/dictionary/CoreNatureDictionary.ngram.txt
#自定义词典路径,用;隔开多个自定义词典,空格开头表示在同一个目录,使用“文件名 词性”形式则表示这个词典的词性默认是该词性。优先级递减。
#所有词典统一使用UTF-8编码,每一行代表一个单词,格式遵从[单词] [词性A] [A的频次] [词性B] [B的频次] ... 如果不填词性则表示采用词典的默认词性。
CustomDictionaryPath=data/dictionary/custom/CustomDictionary.txt; Company.txt company; 现代汉语补充词库.txt; 全国地名大全.txt ns; 人名词典.txt; 机构名词典.txt; 上海地名.txt ns;data/dictionary/person/nrf.txt nrf;
#停用词词典路径
#CoreStopWordDictionaryPath=data/dictionary/stopwords.txt
#同义词词典路径
#CoreSynonymDictionaryDictionaryPath=data/dictionary/synonym/CoreSynonym.txt
#人名词典路径
#PersonDictionaryPath=data/dictionary/person/nr.txt
#人名词典转移矩阵路径
#PersonDictionaryTrPath=data/dictionary/person/nr.tr.txt
#繁简词典根目录
#tcDictionaryRoot=data/dictionary/tc
#HMM分词模型
#HMMSegmentModelPath=data/model/segment/HMMSegmentModel.bin
#分词结果是否展示词性
#ShowTermNature=true
#IO适配器,实现com.hankcs.hanlp.corpus.io.IIOAdapter接口以在不同的平台(Hadoop、Redis等)上运行HanLP
#默认的IO适配器如下,该适配器是基于普通文件系统的。
#IOAdapter=com.hankcs.hanlp.corpus.io.FileIOAdapter
#感知机词法分析器
#PerceptronCWSModelPath=data/model/perceptron/pku199801/cws.bin
#PerceptronPOSModelPath=data/model/perceptron/pku199801/pos.bin
#PerceptronNERModelPath=data/model/perceptron/pku199801/ner.bin
#CRF词法分析器
#CRFCWSModelPath=data/model/crf/pku199801/cws.txt
#CRFPOSModelPath=data/model/crf/pku199801/pos.txt
#CRFNERModelPath=data/model/crf/pku199801/ner.txt
#更多配置项请参考 https://github.com/hankcs/HanLP/blob/master/src/main/java/com/hankcs/hanlp/HanLP.java#L59 自行添加
注意:
1.hanlp.properties中的root路径为本地data文件夹的父级路径
2.准备好的词典文件可直接放入 data/dictionary/custom/下,然后再hanlp.properties中的 CustomDictionaryPath后添加该词典文件名即可,如果不想在词典文件中指定词性,也可在CustomDictionaryPath指定名字的同时,在后边空格指定词性。如上Company.txt company
3.在调用分词方法时,hanlp会去自动加载自定义添加的词典。速度比较慢,100w需要2m30s
4.自定义词典文件更新时,需要将data/dictionary/custom/CustomDictionary.txt.bin删掉。
Jieba的使用
1.环境准备
需要Python环境,需要pip
2.安装jieba
sudo pip install jieba
3.使用
# encoding=utf-8
import jiebaseg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
print(", ".join(seg_list))seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在日本京都大学深造") # 搜索引擎模式
print(", ".join(seg_list))
4.自定义词典
# encoding=utf-8
import jieba
import jieba.posseg as pseg
import timeprint("start-time" + time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time())))
file_name = "/home/jenkins/fz/segment/jieba/data/Company.txt"
jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
print("end-time" + time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time())))seg_list = jieba.cut("北京尚伯乐文化发展有限公司")
print("custom dic: " + "/ ".join(seg_list))seg_list = pseg.cut(content) #带词性
for seg in seg_list:
print(seg)
词典内容如下
郑汴 1 company
灯塔市栈道村煤矿 1 company
深圳市莱斯达电信有限公司铁岭分公司 1 company
T&T ENERTECHNO 1 company
MMI Holdings Ltd 1 company
:三十门市部 1 company
关岭天利美容化妆品店 1 company
测试一下啦 1 company
分词工具比较及使用(ansj、hanlp、jieba)相关推荐
- jieba textrank关键词提取 python_五款中文分词工具在线PK: Jieba, SnowNLP, PkuSeg,THULAC, HanLP...
最近玩公众号会话停不下来:玩转腾讯词向量:Game of Words(词语的加减游戏),准备把NLP相关的模块搬到线上,准确的说,搬到AINLP公众号后台对话,所以,趁着劳动节假期,给AINLP公众号 ...
- python 分词工具对比_五款中文分词工具在线PK: Jieba, SnowNLP, PkuSeg, THULAC, HanLP
最近玩公众号会话停不下来: 玩转腾讯词向量:Game of Words(词语的加减游戏) ,准备把NLP相关的模块搬到线上,准确的说,搬到AINLP公众号后台对话,所以,趁着劳动节假期,给AINLP公 ...
- jieba库 python2.7 安装_Python中文分词工具大合集:安装、使用和测试
这篇文章事实上整合了前面两篇文章的相关介绍,同时添加一些其他的Python中文分词相关资源,甚至非Python的中文分词工具,仅供参考. 首先介绍之前测试过的8款中文分词工具,这几款工具可以直接在AI ...
- 自然语言处理系列十七》中文分词》分词工具实战》Python的Jieba分词
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书<分布式机器学习实战>(人工智能科学与技术丛书)[陈敬雷编著][清华大学出版社] 文章目录 自然语言处理系列十七 分词工 ...
- 资源 | Python中文分词工具大合集
跟着博主的脚步,每天进步一点点 这篇文章事实上整合了之前文章的相关介绍,同时添加一些其他的Python中文分词相关资源,甚至非Python的中文分词工具,仅供参考. 首先介绍之前测试过的8款中文分词工 ...
- Python中文分词工具大合集:安装、使用和测试
转自:AINLP 这篇文章事实上整合了之前文章的相关介绍,同时添加一些其他的Python中文分词相关资源,甚至非Python的中文分词工具,仅供参考. 首先介绍之前测试过的8款中文分词工具,这几款工具 ...
- python 分词工具训练_Python中文分词工具大合集:安装、使用和测试
这篇文章事实上整合了前面两篇文章的相关介绍,同时添加一些其他的Python中文分词相关资源,甚至非Python的中文分词工具,仅供参考. 首先介绍之前测试过的8款中文分词工具,这几款工具可以直接在AI ...
- 中文分词工具比较 6大中文分词器测试(哈工大LTP、中科院计算所NLPIR、清华大学THULAC和jieba、FoolNLTK、HanLP)
中文分词工具比较 6大中文分词器测试(jieba.FoolNLTK.HanLP.THULAC.nlpir.ltp) 哈工大LTP.中科院计算所NLPIR.清华大学THULAC和jieba 个人接触的分 ...
- java端分词工具ANSJ插件的基本使用
前言: Java有11大开源中文分词器,分别是word分词器,Ansj分词器,Stanford分词器,FudanNLP分词器,Jieba分词器,Jcseg分词器,MMSeg4j分词器,IKAnalyz ...
最新文章
- Python_logging模块
- sql升级重启计算机失败win10,win10一直提示重启安装更新失败如何处理
- c++ 调用system 不显示黑框_Java回调的四种写法:反射+直接调用+接口调用+Lambda表达式...
- 【感想文】找到自己的兴趣所在,坚持下去。写文章,学习,我的坚持。
- “像你一样”与海容天天:OPEN国际行为艺术展十周年
- (哈希)两数之和(leetcode 1)
- python出现的各种问题
- keras中文文档_Keras分词器Tokenizer
- GetWindowRect和GetClientRect
- 一套很好的51单片机教程,云龙51单片机视频教程(王云)
- php整点抽奖活动,php实现活动人选抽奖功能代码
- 工作感想——离开公司
- 抖音云控系统多少钱一套?
- webStorm的一些快捷键
- Mysql统计每个小时或半小时数据的数量
- 学习机器学习的最佳路径是什么
- androd11 编译 Manually written binder interfaces are considered error prone and frequently have bugs.
- 有后效性和无后效性的通俗理解
- Windows10开机自动启动软件
- 用SolidWorks将CAD模型转为STL格式并改变单位,利用cloudcompare将STL文件转换为点云。