分詞工具比較及使用(ansj、hanlp、jieba)

一、分詞工具

ansj、hanlp、jieba

二、優缺點

1.ansj

優點:
　　提供多種分詞方式
　　可直接根據內部詞庫分出人名、機構等信息
　　可構造多個詞庫，在分詞時可動態選擇所要使用的詞庫
缺點:
　　自定義詞典時，系統詞典還是被優先使用，導致詞性不是自定義詞典中的詞性
　　多單詞英文姓名無法分出
適用場景

　　若不使用自定義分詞，可直接使用ansj

2.hanlp

優點:
　　自定義分詞、詞性方便
　　可分出多單詞的英文名稱(詞典數據可帶空格)
　　可動態增刪詞庫,
　　動態添加詞典前五千萬速度很快，5m左右
缺點：
　　動態添加詞典前五千萬快的很，越往后越慢
　　詞典文件添加自定義詞典速度略慢，添加100w需要2m30s
適用場景：

　　詞典數量少於五千萬，詞典數據若包含空格，用hanlp比較合適

3.jieba

優點:
　　自定義分詞、詞性方便
　　詞典文件添加自定義詞典比hanlp快，詞典文件添加100w需要1m，八千萬 2h多
缺點:
　　自定義詞典時，帶空格的詞不支持
適用場景：
　　詞典數量大於五千萬
　　詞典數據不能包含空格，否則分不出

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.在項目根目錄下創建library文件夾，文件夾下包括以下幾個詞典文件(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分詞
 */
public class SegmentTest {

    public static void main(String[] args) {
//        dynamicWord();
//        localDic();
//        moreUserDic();
    }
    
    /**
     * 多用戶詞典(新增、刪除)
     */
    public static void moreUserDic() {
        // 多用戶詞典
        String str = "神探夏洛克這部電影作者.是一個dota迷";
        System.out.println(ToAnalysis.parse(str));
        // 兩個詞匯 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("-------刪除dic1中的詞");
        Library.removeWord(dic1, "神探夏洛克");
        System.out.println(ToAnalysis.parse(str, dic1, dic2));
    }
    
    /**
     * 動態增刪詞庫
     */
    public static void dynamicWord(){
        // 增加新詞,中間按照'\t'隔開
        UserDefineLibrary.insertWord("ansj中文分詞", "userDefine", 1000);
        Result result =  ToAnalysis.parse("我覺得Ansj中文分詞是一個不錯的系統!我是王婆!");
        System.out.println("增加新詞例子:" + result);
        // 刪除詞語,只能刪除.用戶自定義的詞典.
        UserDefineLibrary.removeWord("ansj中文分詞");
        result = ToAnalysis.parse("我覺得ansj中文分詞是一個不錯的系統!我是王婆!");
        System.out.println("刪除用戶自定義詞典例子:" + result);

        //將用戶自定義詞典清空
        UserDefineLibrary.clear();
    }

    /**
     * 加載詞典文件
     */
    public static void localDic(){
        try {
            //讀的是根目錄下的
            Forest rootForest = Library.makeForest("library/userLibrary.dic");
            System.out.println(rootForest.toMap());
            //加載字典文件,取的是resource下的
            InputStream inputStream = SegmentTest.class.getResourceAsStream("/library/userLibrary.dic");
            Forest resoutceForest=Library.makeForest(inputStream);
            String str = "我覺得ansj中文分詞是一個不錯的系統!我是王婆!";
            Result result=ToAnalysis.parse(str, resoutceForest);//傳入forest
            List<Term> termList=result.getTerms();
            for(Term term:termList){
                System.out.println(term.getName()+":"+term.getNatureStr());
            }
        } catch (Exception e) {
            e.printStackTrace();
        }

    }

    /**
     * 基本分詞
     * 基本就是保證了最基本的分詞.詞語顆粒度最非常小的..所涉及到的詞大約是10萬左右.
     * 基本分詞速度非常快.在macAir上.能到每秒300w字每秒.同時准確率也很高.但是對於新詞他的功能十分有限
     * @param content
     */
    public static void baseAnay(String content) {
        Result result = BaseAnalysis.parse(delHTMLTag(content).replace("\n","").replace(" ", "").replace("\t",""));
        System.out.println("result:" + result);
    }

    /**
     * 精准分詞
     * 它在易用性,穩定性.准確性.以及分詞效率上.都取得了一個不錯的平衡.
     * @param content
     */
    public static void toAnay(String content){
        Result result = ToAnalysis.parse(content);
        System.out.println("result:" + result);
    }

    /**
     * nlp分詞(單條新聞處理7秒)
     * 可以識別出未登錄詞.但是它也有它的缺點.速度比較慢.穩定性差.ps:我這里說的慢僅僅是和自己的其他方式比較.應該是40w字每秒的速度吧.
     * 個人覺得nlp的適用方式.1.語法實體名抽取.未登錄詞整理.只要是對文本進行發現分析等工作
     * 會把企業分開
     * @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());
            }
        }
    }

    /**
     * 篩除HTML標簽
     * @param htmlStr
     * @return
     */
    public static String delHTMLTag(String htmlStr){
        String regEx_script="<script[^>]*?>[\\s\\S]*?<\\/script>"; //定義script的正則表達式
        String regEx_style="<style[^>]*?>[\\s\\S]*?<\\/style>"; //定義style的正則表達式
        String regEx_html="<[^>]+>"; //定義HTML標簽的正則表達式

        Pattern p_script=Pattern.compile(regEx_script,Pattern.CASE_INSENSITIVE);
        Matcher m_script=p_script.matcher(htmlStr);
        htmlStr=m_script.replaceAll(""); //過濾script標簽

        Pattern p_style=Pattern.compile(regEx_style,Pattern.CASE_INSENSITIVE);
        Matcher m_style=p_style.matcher(htmlStr);
        htmlStr=m_style.replaceAll(""); //過濾style標簽

        Pattern p_html=Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE);
        Matcher m_html=p_html.matcher(htmlStr);
        htmlStr=m_html.replaceAll(""); //過濾html標簽

        return htmlStr.trim(); //返回文本字符串
    }
    
}

 

hanlp的使用

1.maven添加依賴

<dependency>
    <groupId>com.hankcs</groupId>
    <artifactId>hanlp</artifactId>
    <version>portable-1.7.1</version>
</dependency>

2.動態添加詞

/**
     * 新增詞
     */
    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")) {
            //大小括號問題
            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({})為空 ====", word);
        }
    }

 

3.動態刪除詞

/**
     * 刪除詞
     * @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為空({}) ====", word);
        }
    }

 

4.使用

/**
     * 分詞
     * @param content
     * @param forests
     * ToAnalysis精准分詞
     * BaseAnalysis基礎分詞
     */
    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@分詞結果:{},提取結果:{} ====", terms.toString(), segmentResult.toString());
        return segmentResult;
    }

 

5.自定義詞典文件

詞典文件格式如下,依次是 詞、詞性、權重
word nature weight

需要下載hanlp的data及hanlp.properties
https://github.com/hankcs/HanLP

data文件夾如下

 

hanlp.properties如下

#本配置文件中的路徑的根目錄，根目錄+其他路徑=完整路徑（支持相對路徑，請參考：https://github.com/hankcs/HanLP/pull/254）
#Windows用戶請注意，路徑分隔符統一使用/
root=/Users/FengZhen/Desktop/accumulate/分詞/HanLP/

#好了，以上為唯一需要修改的部分，以下配置項按需反注釋編輯。

#核心詞典路徑
#CoreDictionaryPath=data/dictionary/CoreNatureDictionary.txt
#2元語法詞典路徑
#BiGramDictionaryPath=data/dictionary/CoreNatureDictionary.ngram.txt
#自定義詞典路徑，用;隔開多個自定義詞典，空格開頭表示在同一個目錄，使用“文件名 詞性”形式則表示這個詞典的詞性默認是該詞性。優先級遞減。
#所有詞典統一使用UTF-8編碼，每一行代表一個單詞，格式遵從[單詞] [詞性A] [A的頻次] [詞性B] [B的頻次] ... 如果不填詞性則表示采用詞典的默認詞性。
CustomDictionaryPath=data/dictionary/custom/CustomDictionary.txt; Company.txt company; 現代漢語補充詞庫.txt; 全國地名大全.txt ns; 人名詞典.txt; 機構名詞典.txt; 上海地名.txt ns;data/dictionary/person/nrf.txt nrf;
#停用詞詞典路徑
#CoreStopWordDictionaryPath=data/dictionary/stopwords.txt
#同義詞詞典路徑
#CoreSynonymDictionaryDictionaryPath=data/dictionary/synonym/CoreSynonym.txt
#人名詞典路徑
#PersonDictionaryPath=data/dictionary/person/nr.txt
#人名詞典轉移矩陣路徑
#PersonDictionaryTrPath=data/dictionary/person/nr.tr.txt
#繁簡詞典根目錄
#tcDictionaryRoot=data/dictionary/tc
#HMM分詞模型
#HMMSegmentModelPath=data/model/segment/HMMSegmentModel.bin
#分詞結果是否展示詞性
#ShowTermNature=true
#IO適配器，實現com.hankcs.hanlp.corpus.io.IIOAdapter接口以在不同的平台（Hadoop、Redis等）上運行HanLP
#默認的IO適配器如下，該適配器是基於普通文件系統的。
#IOAdapter=com.hankcs.hanlp.corpus.io.FileIOAdapter
#感知機詞法分析器
#PerceptronCWSModelPath=data/model/perceptron/pku199801/cws.bin
#PerceptronPOSModelPath=data/model/perceptron/pku199801/pos.bin
#PerceptronNERModelPath=data/model/perceptron/pku199801/ner.bin
#CRF詞法分析器
#CRFCWSModelPath=data/model/crf/pku199801/cws.txt
#CRFPOSModelPath=data/model/crf/pku199801/pos.txt
#CRFNERModelPath=data/model/crf/pku199801/ner.txt
#更多配置項請參考 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路徑為本地data文件夾的父級路徑
2.准備好的詞典文件可直接放入 data/dictionary/custom/下，然后再hanlp.properties中的 CustomDictionaryPath后添加該詞典文件名即可，如果不想在詞典文件中指定詞性，也可在CustomDictionaryPath指定名字的同時，在后邊空格指定詞性。如上Company.txt company
3.在調用分詞方法時，hanlp會去自動加載自定義添加的詞典。速度比較慢，100w需要2m30s
4.自定義詞典文件更新時，需要將data/dictionary/custom/CustomDictionary.txt.bin刪掉。

Jieba的使用

1.環境准備

需要Python環境，需要pip

2.安裝jieba

sudo pip install jieba

3.使用

# encoding=utf-8
import jieba

seg_list = jieba.cut("我來到北京清華大學", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式

seg_list = jieba.cut("我來到北京清華大學", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精確模式

seg_list = jieba.cut("他來到了網易杭研大廈") # 默認是精確模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明碩士畢業於中國科學院計算所，后在日本京都大學深造") # 搜索引擎模式
print(", ".join(seg_list))

 

4.自定義詞典

# encoding=utf-8
import jieba
import jieba.posseg as pseg
import time

print("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 為文件類對象或自定義詞典的路徑
print("end-time" + time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time())))

seg_list = jieba.cut("北京尚伯樂文化發展有限公司")
print("custom dic: " + "/ ".join(seg_list))

seg_list = pseg.cut(content) #帶詞性
for seg in seg_list:
print(seg)

 詞典內容如下

鄭汴 1 company
燈塔市棧道村煤礦 1 company
深圳市萊斯達電信有限公司鐵嶺分公司 1 company
T&T ENERTECHNO 1 company
MMI Holdings Ltd 1 company
：三十門市部 1 company
關嶺天利美容化妝品店 1 company
測試一下啦 1 company