HanLP自然语言处理包初步安装与使用

   HanLP是由一系列模型与算法组成的Java工具包，目标是促进自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。
    HanLP能提供以下功能：关键词提取、短语提取、繁体转简体、简体转繁体、分词、词性标注、拼音转换、自动摘要、命名实体识别（地名、机构名等）、文本推荐等功能，详细请参见以下链接：http://www.hankcs.com/nlp/hanlp.html  

    HanLP下载地址：https://github.com/hankcs/HanLP/releases，HanLP项目主页：https://github.com/hankcs/HanLP
    1、HanLP安装
     hanlp是由jar包、properties文件和data数据模型组成，因此，在安装时，这三种文件都应该有。可以通过建立java工程即可运行。
     hanlp.properties文件中描述了不同词典的相对路径以及root根目录，因此，可以在此文件中修改其路径。
     hanlp-1.3.4.jar包中包含了各种算法及提取方法的api，大部分方法都是静态的，可以通过HanLP直接进行调用，因此，使用非常方便。
     data文件夹中包含了dictionary和model文件夹，dictionary中主要是各种类型的词典，model主要是分析模型，hanlp api中的算法需要使用model中的数据模型。
     2、HanLP的使用
     普通java工程目录如下所示：

3、HanLP的具体使用
例如：对excel中的聊天记录字段进行热点词的提取，计算并排序，功能如下所示
package com.run.hanlp.demo;
import java.util.ArrayList;
import java.util.Collections;
import java.util.Comparator;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
import java.util.Map.Entry;
import org.apache.log4j.Logger;
import com.hankcs.hanlp.HanLP;
import com.hankcs.hanlp.seg.common.Term;
import com.hankcs.hanlp.suggest.Suggester;
import com.hankcs.hanlp.summary.TextRankKeyword;
import com.hankcs.hanlp.tokenizer.NLPTokenizer;
import com.hankcs.hanlp.tokenizer.StandardTokenizer;
import com.run.util.ExcelUtil;
public class HanlpTest {
public static final Logger log = Logger.getLogger(HanlpTest.class);
public static void main(String[] args) {
log.info(“关键词提取：”);
HanlpTest.getWordAndFrequency();
}

/**
 * 获取所有关键词和频率
 */
public static void getWordAndFrequency() {
    // String content =
    // "程序员(英文Programmer)是从事程序开发、维护的专业人员。一般将程序员分为程序设计人员和程序编码人员，但两者的界限并不非常清楚，特别是在中国。软件从业人员分为初级程序员、高级程序员、系统分析员和项目经理四大类。";
    List<Map<String, Integer>> content = ExcelUtil.readExcelByField("i:/rundata/excelinput",5000,5);
    Map<String, Integer> allKeyWords=new HashMap<>();
    for(int i=0;i<content.size();i++){
        Map<String, Integer> oneMap=content.get(i);
        for(String str:oneMap.keySet()){
            int count = oneMap.get(str);
            CombinerKeyNum(str,count,allKeyWords);
        }
    }
    List<Map.Entry<String,Integer>> sortedMap=sortMapByValue(allKeyWords);
    log.info(sortedMap);
}
/**
 * 
 * @param allKeyWords 需要进行排序的map
 * @return 返回排序后的list
 */
public static List<Map.Entry<String,Integer>> sortMapByValue(Map<String,Integer> allKeyWords){
    List<Map.Entry<String,Integer>> sortList=new ArrayList<>(allKeyWords.entrySet());
    
    Collections.sort(sortList, new Comparator<Map.Entry<String, Integer>>() {   
        public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> o2) {      
            return (o2.getValue() - o1.getValue()); 
        }
    }); 
    return sortList;
}
/**
 * 
 * @param key 关键词变量
 * @param value 关键词词频变量
 * @param allKeyWords  存放关键词和词频的map
 */
public static void CombinerKeyNum(String key,int value,Map<String,Integer> allKeyWords){
    if(allKeyWords.containsKey(key)){
        int count=allKeyWords.get(key);
        count+=value;
        allKeyWords.put(key, count);
    }else{
        allKeyWords.put(key, value);
    }
}
/**
 * 
 * @param content 需要提取关键词的字符串变量
 * @return 返回关键词以及关键词词频数的map
 * 
 */
public static HashMap<String, Integer> getKeyWordMap(String content) {
    List<Term> list = StandardTokenizer.SEGMENT.seg(content);
    TextRankKeyword textmap = new TextRankKeyword();
    Map<String, Float> map = textmap.getTermAndRank(content);
    Map<String, Integer> mapCount = new HashMap<>();
    for (String str : map.keySet()) {
        String keyStr = str;
        int count = 0;
        for (int i = 0; i < list.size(); i++) {
            if (keyStr.equals(list.get(i).word)) {
                count++;
            }
        }
        mapCount.put(keyStr, Integer.valueOf(count));
    }

// log.info(mapCount);
return (HashMap<String, Integer>) mapCount;
}
}
运行之后，结果如下：

由此可见，可以看见从excel中提取出来的热点词汇及其频率。

文章来源于计算机之wind的博客