Java中文分词组件 - word分词（skycto JEEditor）

 

转自：https://my.oschina.net/apdplat/blog/228619#OSC_h4_8

Java分布式中文分词组件 - word分词

word分词是一个Java实现的分布式的中文分词组件，提供了多种基于词典的分词算法，并利用ngram模型来消除歧义。能准确识别英文、数字，以及日期、时间等数量词，能识别人名、地名、组织机构名等未登录词。能通过自定义配置文件来改变组件行为，能自定义用户词库、自动检测词库变化、支持大规模分布式环境，能灵活指定多种分词算法，能使用refine功能灵活控制分词结果，还能使用词性标注、同义标注、反义标注、拼音标注等功能。同时还无缝和Lucene、Solr、ElasticSearch、Luke集成。注意：word1.3需要JDK1.8

Maven依赖：

在pom.xml中指定dependency，可用版本有1.0、1.1、1.2：

<dependencies>

    <dependency>

        <groupId>org.apdplat</groupId>

        <artifactId>word</artifactId>

        <version>1.2</version>

    </dependency>

</dependencies>

分词使用方法：

1、快速体验

运行项目根目录下的脚本demo-word.bat可以快速体验分词效果

用法: command [text] [input] [output]

命令command的可选值为：demo、text、file

demo

text 杨尚川是APDPlat应用级产品开发平台的作者

file d:/text.txt d:/word.txt

exit

2、对文本进行分词

移除停用词：List<Word> words = WordSegmenter.seg("杨尚川是APDPlat应用级产品开发平台的作者");

保留停用词：List<Word> words = WordSegmenter.segWithStopWords("杨尚川是APDPlat应用级产品开发平台的作者");

            System.out.println(words);

 

输出：

移除停用词：[杨尚川, apdplat, 应用级, 产品, 开发平台, 作者]

保留停用词：[杨尚川, 是, apdplat, 应用级, 产品, 开发平台, 的, 作者]

3、对文件进行分词

String input = "d:/text.txt";

String output = "d:/word.txt";

移除停用词：WordSegmenter.seg(new File(input), new File(output));

保留停用词：WordSegmenter.segWithStopWords(new File(input), new File(output));

4、自定义配置文件

默认配置文件为类路径下的word.conf，打包在word-x.x.jar中

自定义配置文件为类路径下的word.local.conf，需要用户自己提供

如果自定义配置和默认配置相同，自定义配置会覆盖默认配置

配置文件编码为UTF-8

5、自定义用户词库

自定义用户词库为一个或多个文件夹或文件，可以使用绝对路径或相对路径

用户词库由多个词典文件组成，文件编码为UTF-8

词典文件的格式为文本文件，一行代表一个词

可以通过系统属性或配置文件的方式来指定路径，多个路径之间用逗号分隔开

类路径下的词典文件，需要在相对路径前加入前缀classpath:

 

指定方式有三种：

    指定方式一，编程指定（高优先级）：

        WordConfTools.set("dic.path", "classpath:dic.txt，d:/custom_dic");

        DictionaryFactory.reload();//更改词典路径之后，重新加载词典

    指定方式二，Java虚拟机启动参数（中优先级）：

        java -Ddic.path=classpath:dic.txt，d:/custom_dic

    指定方式三，配置文件指定（低优先级）：

        使用类路径下的文件word.local.conf来指定配置信息

        dic.path=classpath:dic.txt，d:/custom_dic

 

如未指定，则默认使用类路径下的dic.txt词典文件

6、自定义停用词词库

使用方式和自定义用户词库类似，配置项为：

stopwords.path=classpath:stopwords.txt，d:/custom_stopwords_dic

7、自动检测词库变化

可以自动检测自定义用户词库和自定义停用词词库的变化

包含类路径下的文件和文件夹、非类路径下的绝对路径和相对路径

如：

classpath:dic.txt，classpath:custom_dic_dir,

d:/dic_more.txt，d:/DIC_DIR，D:/DIC2_DIR，my_dic_dir，my_dic_file.txt

 

classpath:stopwords.txt，classpath:custom_stopwords_dic_dir，

d:/stopwords_more.txt，d:/STOPWORDS_DIR，d:/STOPWORDS2_DIR，stopwords_dir，remove.txt

8、显式指定分词算法

对文本进行分词时，可显式指定特定的分词算法，如：

WordSegmenter.seg("APDPlat应用级产品开发平台", SegmentationAlgorithm.BidirectionalMaximumMatching);

 

SegmentationAlgorithm的可选类型为：   

正向最大匹配算法：MaximumMatching

逆向最大匹配算法：ReverseMaximumMatching

正向最小匹配算法：MinimumMatching

逆向最小匹配算法：ReverseMinimumMatching

双向最大匹配算法：BidirectionalMaximumMatching

双向最小匹配算法：BidirectionalMinimumMatching

双向最大最小匹配算法：BidirectionalMaximumMinimumMatching

全切分算法：FullSegmentation

最少分词算法：MinimalWordCount

最大Ngram分值算法：MaxNgramScore

9、分词效果评估

运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估

评估采用的测试文本有253 3709行，共2837 4490个字符

评估结果位于target/evaluation目录下：

corpus-text.txt为分好词的人工标注文本，词之间以空格分隔

test-text.txt为测试文本，是把corpus-text.txt以标点符号分隔为多行的结果

standard-text.txt为测试文本对应的人工标注文本，作为分词是否正确的标准

result-text-***.txt，***为各种分词算法名称，这是word分词结果

perfect-result-***.txt，***为各种分词算法名称，这是分词结果和人工标注标准完全一致的文本

wrong-result-***.txt，***为各种分词算法名称，这是分词结果和人工标注标准不一致的文本

10、分布式中文分词器

1、在自定义配置文件word.conf或word.local.conf中指定所有的配置项*.path使用HTTP资源，同时指定配置项redis.*

2、配置并启动提供HTTP资源的web服务器，将项目：https://github.com/ysc/word_web部署到tomcat

3、配置并启动redis服务器

11、词性标注（1.3才有这个功能）

将分词结果作为输入参数，调用PartOfSpeechTagging类的process方法，词性保存在Word类的partOfSpeech字段中

如下所示：

List<Word> words = WordSegmenter.segWithStopWords("我爱中国");

System.out.println("未标注词性："+words);

//词性标注

PartOfSpeechTagging.process(words);

System.out.println("标注词性："+words);

输出内容：

未标注词性：[我, 爱, 中国]

标注词性：[我/r, 爱/v, 中国/ns]

12、refine

我们看一个切分例子：

List<Word> words = WordSegmenter.segWithStopWords("我国工人阶级和广大劳动群众要更加紧密地团结在党中央周围");

System.out.println(words);

结果如下：

[我国, 工人阶级, 和, 广大, 劳动群众, 要, 更加, 紧密, 地, 团结, 在, 党中央, 周围]

假如我们想要的切分结果是：

[我国, 工人, 阶级, 和, 广大, 劳动, 群众, 要, 更加, 紧密, 地, 团结, 在, 党中央, 周围]

也就是要把“工人阶级”细分为“工人 阶级”，把“劳动群众”细分为“劳动 群众”，那么我们该怎么办呢？

我们可以通过在word.refine.path配置项指定的文件classpath:word_refine.txt中增加以下内容：

工人阶级=工人 阶级

劳动群众=劳动 群众

然后，我们对分词结果进行refine：

words = WordRefiner.refine(words);

System.out.println(words);

这样，就能达到我们想要的效果：

[我国, 工人, 阶级, 和, 广大, 劳动, 群众, 要, 更加, 紧密, 地, 团结, 在, 党中央, 周围]

 

我们再看一个切分例子：

List<Word> words = WordSegmenter.segWithStopWords("在实现“两个一百年”奋斗目标的伟大征程上再创新的业绩");

System.out.println(words);

结果如下：

[在, 实现, 两个, 一百年, 奋斗目标, 的, 伟大, 征程, 上, 再创, 新的, 业绩]

假如我们想要的切分结果是：

[在, 实现, 两个一百年, 奋斗目标, 的, 伟大征程, 上, 再创, 新的, 业绩]

也就是要把“两个 一百年”合并为“两个一百年”，把“伟大, 征程”合并为“伟大征程”，那么我们该怎么办呢？

我们可以通过在word.refine.path配置项指定的文件classpath:word_refine.txt中增加以下内容：

两个 一百年=两个一百年

伟大 征程=伟大征程

然后，我们对分词结果进行refine：

words = WordRefiner.refine(words);

System.out.println(words);

这样，就能达到我们想要的效果：

[在, 实现, 两个一百年, 奋斗目标, 的, 伟大征程, 上, 再创, 新的, 业绩]

13、同义标注

List<Word> words = WordSegmenter.segWithStopWords("楚离陌千方百计为无情找回记忆");

System.out.println(words);

结果如下：

[楚离陌, 千方百计, 为, 无情, 找回, 记忆]

做同义标注：

SynonymTagging.process(words);

System.out.println(words);

结果如下：

[楚离陌, 千方百计[久有存心, 化尽心血, 想方设法, 费尽心机], 为, 无情, 找回, 记忆[影象]]

如果启用间接同义词：

SynonymTagging.process(words, false);

System.out.println(words);

结果如下：

[楚离陌, 千方百计[久有存心, 化尽心血, 想方设法, 费尽心机], 为, 无情, 找回, 记忆[影像, 影象]]

 

List<Word> words = WordSegmenter.segWithStopWords("手劲大的老人往往更长寿");

System.out.println(words);

结果如下：

[手劲, 大, 的, 老人, 往往, 更, 长寿]

做同义标注：

SynonymTagging.process(words);

System.out.println(words);

结果如下：

[手劲, 大, 的, 老人[白叟], 往往[常常, 每每, 经常], 更, 长寿[长命, 龟龄]]

如果启用间接同义词：

SynonymTagging.process(words, false);

System.out.println(words);

结果如下：

[手劲, 大, 的, 老人[白叟], 往往[一样平常, 一般, 凡是, 寻常, 常常, 常日, 平凡, 平居, 平常, 平日, 平时, 往常, 日常, 日常平凡, 时常, 普通, 每每, 泛泛, 素日, 经常, 通俗, 通常], 更, 长寿[长命, 龟龄]]

 

以词“千方百计”为例：

可以通过Word的getSynonym()方法获取同义词如：

System.out.println(word.getSynonym());

结果如下：

[久有存心, 化尽心血, 想方设法, 费尽心机]

注意：如果没有同义词，则getSynonym()返回空集合：Collections.emptyList()

 

间接同义词和直接同义词的区别如下：

假设：

A和B是同义词，A和C是同义词，B和D是同义词，C和E是同义词

则：

对于A来说，A B C是直接同义词

对于B来说，A B D是直接同义词

对于C来说，A C E是直接同义词

对于A B C来说，A B C D E是间接同义词

14、反义标注

List<Word> words = WordSegmenter.segWithStopWords("5月初有哪些电影值得观看");

System.out.println(words);

结果如下：

[5, 月初, 有, 哪些, 电影, 值得, 观看]

做反义标注：

AntonymTagging.process(words);

System.out.println(words);

结果如下：

[5, 月初[月底, 月末, 月终], 有, 哪些, 电影, 值得, 观看]

 

List<Word> words = WordSegmenter.segWithStopWords("由于工作不到位、服务不完善导致顾客在用餐时发生不愉快的事情,餐厅方面应该向顾客作出真诚的道歉,而不是敷衍了事。");

System.out.println(words);

结果如下：

[由于, 工作, 不到位, 服务, 不完善, 导致, 顾客, 在, 用餐, 时, 发生, 不愉快, 的, 事情, 餐厅, 方面, 应该, 向, 顾客, 作出, 真诚, 的, 道歉, 而不是, 敷衍了事]

做反义标注：

AntonymTagging.process(words);

System.out.println(words);

结果如下：

[由于, 工作, 不到位, 服务, 不完善, 导致, 顾客, 在, 用餐, 时, 发生, 不愉快, 的, 事情, 餐厅, 方面, 应该, 向, 顾客, 作出, 真诚[糊弄, 虚伪, 虚假, 险诈], 的, 道歉, 而不是, 敷衍了事[一丝不苟, 兢兢业业, 尽心竭力, 竭尽全力, 精益求精, 诚心诚意]]

 

以词“月初”为例：

可以通过Word的getAntonym()方法获取反义词如：

System.out.println(word.getAntonym());

结果如下：

[月底, 月末, 月终]

注意：如果没有反义词，getAntonym()返回空集合：Collections.emptyList()

15、拼音标注

List<Word> words = WordSegmenter.segWithStopWords("《速度与激情7》的中国内地票房自4月12日上映以来，在短短两周内突破20亿人民币");

System.out.println(words);

结果如下：

[速度, 与, 激情, 7, 的, 中国, 内地, 票房, 自, 4月, 12日, 上映, 以来, 在, 短短, 两周, 内, 突破, 20亿, 人民币]

执行拼音标注：

PinyinTagging.process(words);

System.out.println(words);

结果如下：

[速度 sd sudu, 与 y yu, 激情 jq jiqing, 7, 的 d de, 中国 zg zhongguo, 内地 nd neidi, 票房 pf piaofang, 自 z zi, 4月, 12日, 上映 sy shangying, 以来 yl yilai, 在 z zai, 短短 dd duanduan, 两周 lz liangzhou, 内 n nei, 突破 tp tupo, 20亿, 人民币 rmb renminbi]

 

以词“速度”为例：

可以通过Word的getFullPinYin()方法获取完整拼音如：sudu

可以通过Word的getAcronymPinYin()方法获取首字母缩略拼音如：sd

16、Lucene插件：

1、构造一个word分析器ChineseWordAnalyzer

Analyzer analyzer = new ChineseWordAnalyzer();

如果需要使用特定的分词算法，可通过构造函数来指定：

Analyzer analyzer = new ChineseWordAnalyzer(SegmentationAlgorithm.FullSegmentation);

如不指定，默认使用双向最大匹配算法：SegmentationAlgorithm.BidirectionalMaximumMatching

可用的分词算法参见枚举类：SegmentationAlgorithm

 

2、利用word分析器切分文本

TokenStream tokenStream = analyzer.tokenStream("text", "杨尚川是APDPlat应用级产品开发平台的作者");

//准备消费

tokenStream.reset();

//开始消费

while(tokenStream.incrementToken()){

    //词

    CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);

    //词在文本中的起始位置

    OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class);

    //第几个词

    PositionIncrementAttribute positionIncrementAttribute = tokenStream.getAttribute(PositionIncrementAttribute.class);

    //词性

    PartOfSpeechAttribute partOfSpeechAttribute = tokenStream.getAttribute(PartOfSpeechAttribute.class);

    //首字母缩略拼音

    AcronymPinyinAttribute acronymPinyinAttribute = tokenStream.getAttribute(AcronymPinyinAttribute.class);

    //完整拼音

    FullPinyinAttribute fullPinyinAttribute = tokenStream.getAttribute(FullPinyinAttribute.class);

    //同义词

    SynonymAttribute synonymAttribute = tokenStream.getAttribute(SynonymAttribute.class);

    //反义词

    AntonymAttribute antonymAttribute = tokenStream.getAttribute(AntonymAttribute.class);

 

    LOGGER.info(charTermAttribute.toString()+" ("+offsetAttribute.startOffset()+" - "+offsetAttribute.endOffset()+") "+positionIncrementAttribute.getPositionIncrement());

    LOGGER.info("PartOfSpeech:"+partOfSpeechAttribute.toString());

    LOGGER.info("AcronymPinyin:"+acronymPinyinAttribute.toString());

    LOGGER.info("FullPinyin:"+fullPinyinAttribute.toString());

    LOGGER.info("Synonym:"+synonymAttribute.toString());

    LOGGER.info("Antonym:"+antonymAttribute.toString());

}

//消费完毕

tokenStream.close();

 

3、利用word分析器建立Lucene索引

Directory directory = new RAMDirectory();

IndexWriterConfig config = new IndexWriterConfig(analyzer);

IndexWriter indexWriter = new IndexWriter(directory, config);

 

4、利用word分析器查询Lucene索引

QueryParser queryParser = new QueryParser("text", analyzer);

Query query = queryParser.parse("text:杨尚川");

TopDocs docs = indexSearcher.search(query, Integer.MAX_VALUE);

17、Solr插件：

1、下载word-1.3.jar

下载地址：http://search.maven.org/remotecontent?filepath=org/apdplat/word/1.3/word-1.3.jar

 

2、创建目录solr-5.1.0/example/solr/lib，将word-1.3.jar复制到lib目录

 

3、配置schema指定分词器

将solr-5.1.0/example/solr/collection1/conf/schema.xml文件中所有的

<tokenizer class="solr.WhitespaceTokenizerFactory"/>和

<tokenizer class="solr.StandardTokenizerFactory"/>全部替换为

<tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory"/>

并移除所有的filter标签

 

4、如果需要使用特定的分词算法：

<tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"/>

segAlgorithm可选值有：  

正向最大匹配算法：MaximumMatching

逆向最大匹配算法：ReverseMaximumMatching

正向最小匹配算法：MinimumMatching

逆向最小匹配算法：ReverseMinimumMatching

双向最大匹配算法：BidirectionalMaximumMatching

双向最小匹配算法：BidirectionalMinimumMatching

双向最大最小匹配算法：BidirectionalMaximumMinimumMatching

全切分算法：FullSegmentation

最少分词算法：MinimalWordCount

最大Ngram分值算法：MaxNgramScore

如不指定，默认使用双向最大匹配算法：BidirectionalMaximumMatching

 

5、如果需要指定特定的配置文件：

<tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"

        conf="solr-5.1.0/example/solr/nutch/conf/word.local.conf"/>

word.local.conf文件中可配置的内容见 word-1.3.jar 中的word.conf文件

如不指定，使用默认配置文件，位于 word-1.3.jar 中的word.conf文件

18、ElasticSearch插件：

1、打开命令行并切换到elasticsearch的bin目录

cd elasticsearch-1.5.1/bin

 

2、运行plugin脚本安装word分词插件：

./plugin -u http://apdplat.org/word/archive/v1.2.zip -i word

 

3、修改文件elasticsearch-1.5.1/config/elasticsearch.yml，新增如下配置：    

index.analysis.analyzer.default.type : "word"

index.analysis.tokenizer.default.type : "word"

 

4、启动ElasticSearch测试效果，在Chrome浏览器中访问：    

http://localhost:9200/_analyze?analyzer=word&text=杨尚川是APDPlat应用级产品开发平台的作者

 

5、自定义配置

修改配置文件elasticsearch-1.5.1/plugins/word/word.local.conf

 

6、指定分词算法

修改文件elasticsearch-1.5.1/config/elasticsearch.yml，新增如下配置：

index.analysis.analyzer.default.segAlgorithm : "ReverseMinimumMatching"

index.analysis.tokenizer.default.segAlgorithm : "ReverseMinimumMatching"

 

这里segAlgorithm可指定的值有：

正向最大匹配算法：MaximumMatching

逆向最大匹配算法：ReverseMaximumMatching

正向最小匹配算法：MinimumMatching

逆向最小匹配算法：ReverseMinimumMatching

双向最大匹配算法：BidirectionalMaximumMatching

双向最小匹配算法：BidirectionalMinimumMatching

双向最大最小匹配算法：BidirectionalMaximumMinimumMatching

全切分算法：FullSegmentation

最少分词算法：MinimalWordCount

最大Ngram分值算法：MaxNgramScore

如不指定，默认使用双向最大匹配算法：BidirectionalMaximumMatching

19、Luke插件：

1、下载http://luke.googlecode.com/files/lukeall-4.0.0-ALPHA.jar（国内不能访问）

 

2、下载并解压Java中文分词组件word-1.0-bin.zip：http://pan.baidu.com/s/1dDziDFz

 

3、将解压后的 Java中文分词组件word-1.0-bin/word-1.0 文件夹里面的4个jar包解压到当前文件夹

用压缩解压工具如winrar打开lukeall-4.0.0-ALPHA.jar，将当前文件夹里面除了META-INF文件夹、.jar、

.bat、.html、word.local.conf文件外的其他所有文件拖到lukeall-4.0.0-ALPHA.jar里面

 

4、执行命令 java -jar lukeall-4.0.0-ALPHA.jar 启动luke，在Search选项卡的Analysis里面

就可以选择 org.apdplat.word.lucene.ChineseWordAnalyzer 分词器了

 

5、在Plugins选项卡的Available analyzers found on the current classpath里面也可以选择 

org.apdplat.word.lucene.ChineseWordAnalyzer 分词器

 

注意：如果你要自己集成word分词器的其他版本，在项目根目录下运行mvn install编译项目，然后运行命令

mvn dependency:copy-dependencies复制依赖的jar包，接着在target/dependency/目录下就会有所有

的依赖jar包。其中target/dependency/slf4j-api-1.6.4.jar是word分词器使用的日志框架，

target/dependency/logback-classic-0.9.28.jar和

target/dependency/logback-core-0.9.28.jar是word分词器推荐使用的日志实现，日志实现的配置文件

路径位于target/classes/logback.xml，target/word-1.3.jar是word分词器的主jar包，如果需要

自定义词典，则需要修改分词器配置文件target/classes/word.conf

已经集成好的Luke插件下载（适用于lucene4.0.0） ：lukeall-4.0.0-ALPHA-with-word-1.0.jar

已经集成好的Luke插件下载（适用于lucene4.10.3）：lukeall-4.10.3-with-word-1.2.jar

20、词向量：

从大规模语料中统计一个词的上下文相关词，并用这些上下文相关词组成的向量来表达这个词。

通过计算词向量的相似性，即可得到词的相似性。

相似性的假设是建立在如果两个词的上下文相关词越相似，那么这两个词就越相似这个前提下的。

 

通过运行项目根目录下的脚本demo-word-vector-corpus.bat来体验word项目自带语料库的效果

 

如果有自己的文本内容，可以使用脚本demo-word-vector-file.bat来对文本分词、建立词向量、计算相似性