本文的目標有兩個：
1、學會使用10大Java開源中文分詞器
2、對比分析10 大Java開源中文分詞器的分詞效果
本文給出了10大Java開源中文分詞的使用方法以及分詞結果對比代碼，至於效果哪個好，那要用的人結合自己的應用場景自己來判斷。
10大Java開源中文分詞器，不同的分詞器有不同的用法，定義的接口也不一樣， 我們先定義一個統一的接口：
/**
* 獲取文本的所有分詞結果, 對比不同分詞器結果
* @author 楊尚川 */ public interface WordSegmenter { /** * 獲取文本的所有分詞結果 * @param text 文本 * @return 所有的分詞結果，去除重復 */ default public Set<String> seg(String text) { return segMore(text).values().stream().collect(Collectors.toSet()); } /** * 獲取文本的所有分詞結果 * @param text 文本 * @return 所有的分詞結果，KEY 為分詞器模式，VALUE 為分詞器結果 */ public Map<String, String> segMore(String text); }
從上面的定義我們知道，在Java中，同樣的方法名稱和參數，但是返回值不同，這種情況不可以使用重載。
這兩個方法的區別在於返回值，每一個分詞器都可能有多種分詞模式，每種模式的分詞結果都可能不相同，第一個方法忽略分詞器模式，返回所有模式的所有不重復分詞結果，第二個方法返回每一種分詞器模式及其對應的分詞結果。
在這里，需要注意的是我們使用了Java8中的新特性默認方法，並使用stream把一個map的value轉換為不重復的集合。
下面我們利用這10大分詞器來實現這個接口：
1、word分詞器
@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分詞器
@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分詞器
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分詞器
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分詞器
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分詞器
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("復雜模式", segText(text, JcsegTaskConfig.COMPLEX_MODE)); map.put("簡易模式", 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分詞器
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); @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分詞器
@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("細粒度切分", 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分詞器
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分詞器
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(); }
現在我們已經實現了本文的第一個目的：學會使用10大Java開源中文分詞器。
最后我們來實現本文的第二個目的：對比分析 10 大Java開源中文分詞器的分詞效果，程序如下：
public static Map<String, Set<String>> contrast(String text){ Map<String, Set<String>> map = new LinkedHashMap<>(); map.put("word分詞器", new WordEvaluation().seg(text)); map.put("Stanford分詞器", new StanfordEvaluation().seg(text)); map.put("Ansj分詞器", new AnsjEvaluation().seg(text)); map.put("FudanNLP分詞器", new FudanNLPEvaluation().seg(text)); map.put("Jieba分詞器", new JiebaEvaluation().seg(text)); map.put("Jcseg分詞器", new JcsegEvaluation().seg(text)); map.put("MMSeg4j分詞器", new MMSeg4jEvaluation().seg(text)); map.put("IKAnalyzer分詞器", new IKAnalyzerEvaluation().seg(text)); map.put("Paoding分詞器", new PaodingEvaluation().seg(text)); map.put("smartcn分詞器", 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分詞器", new WordEvaluation().segMore(text)); map.put("Stanford分詞器", new StanfordEvaluation().segMore(text)); map.put("Ansj分詞器", new AnsjEvaluation().segMore(text)); map.put("FudanNLP分詞器", new FudanNLPEvaluation().segMore(text)); map.put("Jieba分詞器", new JiebaEvaluation().segMore(text)); map.put("Jcseg分詞器", new JcsegEvaluation().segMore(text)); map.put("MMSeg4j分詞器", new MMSeg4jEvaluation().segMore(text)); map.put("IKAnalyzer分詞器", new IKAnalyzerEvaluation().segMore(text)); map.put("Paoding分詞器", new PaodingEvaluation().segMore(text)); map.put("smartcn分詞器", new SmartCNEvaluation().segMore(text)); return map; } public static void show(Map<String, Set<String>> map){ map.keySet().forEach(k -> { System.out.println(k + " 的分詞結果："); 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 + " 的分詞結果："); 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("楊尚川是APDPlat應用級產品開發平台的作者")); showMore(contrastMore("楊尚川是APDPlat應用級產品開發平台的作者")); }
運行結果如下：
word分詞器 的分詞結果：
1 、楊尚川 是 APDPlat 應用 級 產品 開發 平台 的 作者
2 、楊尚川 是 apdplat 應用級 產品 開發平台 的 作者 3 、楊尚川 是 apdplat 應用 級 產品 開發 平台 的 作者 4 、楊尚川 是 apdplat 應用級 產品 開發 平台 的 作者 Stanford分詞器 的分詞結果： 1 、楊 尚 川 是 APDPlat 應用 級 產品 開發 平台 的 作者 2 、楊 尚川 是 APDPlat 應用 級 產品 開發 平台 的 作者 Ansj分詞器 的分詞結果： 1 、楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 2 、楊 楊尚川 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 3 、楊尚川 是 apdplat 應用 級 產品 開發 平台 的 作者 4 、楊尚川 是 apdplat 應用級 產品 開發 平台 的 作者 FudanNLP分詞器 的分詞結果： 1 、楊尚川 是 APDPlat應 用級 產品 開發 平台 的 作者 Jieba分詞器 的分詞結果： 1 、楊尚川 是 apdplat 應用 級 產品 開發 產品開發 平台 的 作者 2 、楊尚川 是 apdplat 應用 級 產品開發 平台 的 作者 Jcseg分詞器 的分詞結果： 1 、楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 2 、楊 尚川 是 apdplat 應用 級 產品 開發 平台 的 作者 MMSeg4j分詞器 的分詞結果： 1 、楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 IKAnalyzer分詞器 的分詞結果： 1 、楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 Paoding分詞器 的分詞結果： 1 、楊尚 尚川 apdplat 應用 級 產品 開發 平台 作者 smartcn分詞器 的分詞結果： 1 、楊 尚 川 是 apdplat 應用 級 產品 開發 平 台 的 作者
word分詞器 的分詞結果：
1 、【全切分算法】 楊尚川 是 APDPlat 應用 級 產品 開發 平台 的 作者
2 、【雙向最大最小匹配算法】 楊尚川 是 apdplat 應用 級 產品 開發 平台 的 作者 3 、【正向最大匹配算法】 楊尚川 是 apdplat 應用級 產品 開發平台 的 作者 4 、【雙向最大匹配算法】 楊尚川 是 apdplat 應用級 產品 開發平台 的 作者 5 、【逆向最大匹配算法】 楊尚川 是 apdplat 應用級 產品 開發平台 的 作者 6 、【正向最小匹配算法】 楊尚川 是 apdplat 應用 級 產品 開發 平台 的 作者 7 、【雙向最小匹配算法】 楊尚川 是 apdplat 應用 級 產品 開發 平台 的 作者 8 、【逆向最小匹配算法】 楊尚川 是 apdplat 應用級 產品 開發 平台 的 作者 Stanford分詞器 的分詞結果： 1 、【Stanford Chinese Treebank segmentation】 楊 尚 川 是 APDPlat 應用 級 產品 開發 平台 的 作者 2 、【Stanford Beijing University segmentation】 楊 尚川 是 APDPlat 應用 級 產品 開發 平台 的 作者 Ansj分詞器 的分詞結果： 1 、【BaseAnalysis】 楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 2 、【IndexAnalysis】 楊 楊尚川 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 3 、【ToAnalysis】 楊尚川 是 apdplat 應用 級 產品 開發 平台 的 作者 4 、【NlpAnalysis】 楊尚川 是 apdplat 應用級 產品 開發 平台 的 作者 FudanNLP分詞器 的分詞結果： 1 、【FudanNLP】 楊尚川 是 APDPlat應 用級 產品 開發 平台 的 作者 Jieba分詞器 的分詞結果： 1 、【SEARCH】 楊尚川 是 apdplat 應用 級 產品開發 平台 的 作者 2 、【INDEX】 楊尚川 是 apdplat 應用 級 產品 開發 產品開發 平台 的 作者 Jcseg分詞器 的分詞結果： 1 、【簡易模式】 楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 2 、【復雜模式】 楊 尚川 是 apdplat 應用 級 產品 開發 平台 的 作者 MMSeg4j分詞器 的分詞結果： 1 、【SimpleSeg】 楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 2 、【ComplexSeg】 楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 3 、【MaxWordSeg】 楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 IKAnalyzer分詞器 的分詞結果： 1 、【智能切分】 楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 2 、【細粒度切分】 楊 尚 川 是 apdplat 應用 級 產品 開發 平台 的 作者 Paoding分詞器 的分詞結果： 1 、【MAX_WORD_LENGTH_MODE】 楊尚 尚川 apdplat 應用 級 產品 開發 平台 作者 2 、【MOST_WORDS_MODE】 楊尚 尚川 apdplat 應用 級 產品 開發 平台 作者 smartcn分詞器 的分詞結果： 1 、【smartcn】 楊 尚 川 是 apdplat 應用 級 產品 開發 平 台 的 作者