java中文分词组件-word分词

关键字：java中文分词组件-word分词


word分词器主页 ：https://github.com/ysc/word



word分词是一个Java实现的中文分词组件，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。 同时提供了Lucene、Solr、ElasticSearch插件。

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

　　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


Lucene插件：

　　1、构造一个word分析器ChineseWordAnalyzer
　　Analyzer analyzer = new ChineseWordAnalyzer();

　　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");
　　while(tokenStream.incrementToken()){
　　CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);
　　OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class);
　　System.out.println(charTermAttribute.toString()+" "+offsetAttribute.startOffset());
　　}


　　3、利用word分析器建立Lucene索引
　　Directory directory = new RAMDirectory();
　　IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_47, analyzer);
　　IndexWriter indexWriter = new IndexWriter(directory, config);





　　4、利用word分析器查询Lucene索引
　　QueryParser queryParser = new QueryParser(Version.LUCENE_47, "text", analyzer);
　　Query query = queryParser.parse("text:杨尚川");
　　TopDocs docs = indexSearcher.search(query, Integer.MAX_VALUE);




Solr插件：


　　1、生成分词组件二进制jar
　　执行 mvn clean install 生成word中文分词组件target/word-1.0.jar


　　2、创建目录solr-4.7.1/example/solr/lib，将target/word-1.0.jar文件复制到lib目录


　　3、配置schema指定分词器
　　将solr-4.7.1/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
　　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="C:/solr-4.7.0/example/solr/nutch/conf/word.local.conf"/>
　　word.local.conf文件中可配置的内容见 word-1.0.jar 中的word.conf文件
　　如不指定，使用默认配置文件，位于 word-1.0.jar 中的word.conf文件




ElasticSearch插件：


　　1、执行命令： mvn clean install dependency:copy-dependencies


　　2、创建目录elasticsearch-1.1.0/plugins/word


　　3、将中文分词库文件target/word-1.0.jar和依赖的日志库文件
　　target/dependency/slf4j-api-1.6.4.jar
　　target/dependency/logback-core-0.9.28.jar
　　target/dependency/logback-classic-0.9.28.jar
　　复制到刚创建的word目录


　　4、修改文件elasticsearch-1.1.0/config/elasticsearch.yml，新增如下配置：
　　index.analysis.analyzer.default.type : "word"
　　index.analysis.tokenizer.default.type : "word"


　　5、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


　　6、自定义配置
　　从word-1.0.jar中提取配置文件word.conf，改名为word.local.conf，放到elasticsearch-1.1.0/plugins/word目录下


　　7、指定分词算法
　　修改文件elasticsearch-1.1.0/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
　　如不指定，默认使用双向最大匹配算法：BidirectionalMaximumMatching

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