Java开源的11个中文分词器使用方法和分词效果对比

本文的目标有两个：

1、学会使用11大Java开源中文分词器

2、对比分析11大Java开源中文分词器的分词效果

本文给出了11大Java开源中文分词的使用方法以及分词结果对比代码，至于效果哪个好，那要用的人结合自己的应用场景自己来判断。

11大Java开源中文分词器，不同的分词器有不同的用法，定义的接口也不一样，我们先定义一个统一的接口：

/**

 * 获取文本的所有分词结果, 对比不同分词器结果

 * @author 杨尚川

 */

public interface WordSegmenter {

    /**

     * 获取文本的所有分词结果

     * @param text 文本

     * @return 所有的分词结果，去除重复

     */

    default public Set<String> seg(String text) {

        return segMore(text).values().stream().collect(Collectors.toSet());

    }

    /**

     * 获取文本的所有分词结果

     * @param text 文本

     * @return 所有的分词结果，KEY 为分词器模式，VALUE 为分词器结果

     */

    public Map<String, String> segMore(String text);

}

从上面的定义我们知道，在Java中，同样的方法名称和参数，但是返回值不同，这种情况不可以使用重载。

这两个方法的区别在于返回值，每一个分词器都可能有多种分词模式，每种模式的分词结果都可能不相同，第一个方法忽略分词器模式，返回所有模式的所有不重复分词结果，第二个方法返回每一种分词器模式及其对应的分词结果。

在这里，需要注意的是我们使用了Java8中的新特性默认方法，并使用stream把一个map的value转换为不重复的集合。

下面我们利用这11大分词器来实现这个接口：
1、word分词器

@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分词器

@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分词器

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分词器

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分词器

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分词器

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("复杂模式", segText(text, JcsegTaskConfig.COMPLEX_MODE));

    map.put("简易模式", 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分词器

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分词器

@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("细粒度切分", 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分词器

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分词器

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();

}

11、HanLP分词器

private static final Segment N_SHORT_SEGMENT = new NShortSegment().enableCustomDictionary(false).enablePlaceRecognize(true).enableOrganizationRecognize(true);

private static final Segment DIJKSTRA_SEGMENT = new DijkstraSegment().enableCustomDictionary(false).enablePlaceRecognize(true).enableOrganizationRecognize(true);

@Override

public Map<String, String> segMore(String text) {

    Map<String, String> map = new HashMap<>();

    map.put("标准分词", standard(text));

    map.put("NLP分词", nlp(text));

    map.put("索引分词", index(text));

    map.put("N-最短路径分词", nShort(text));

    map.put("最短路径分词", shortest(text));

    map.put("极速词典分词", speed(text));

    return map;

}

private static String standard(String text) {

    StringBuilder result = new StringBuilder();

    StandardTokenizer.segment(text).forEach(term->result.append(term.word).append(" "));

    return result.toString();

}

private static String nlp(String text) {

    StringBuilder result = new StringBuilder();

    NLPTokenizer.segment(text).forEach(term->result.append(term.word).append(" "));

    return result.toString();

}

private static String index(String text) {

    StringBuilder result = new StringBuilder();

    IndexTokenizer.segment(text).forEach(term->result.append(term.word).append(" "));

    return result.toString();

}

private static String speed(String text) {

    StringBuilder result = new StringBuilder();

    SpeedTokenizer.segment(text).forEach(term->result.append(term.word).append(" "));

    return result.toString();

}

private static String nShort(String text) {

    StringBuilder result = new StringBuilder();

    N_SHORT_SEGMENT.seg(text).forEach(term->result.append(term.word).append(" "));

    return result.toString();

}

private static String shortest(String text) {

    StringBuilder result = new StringBuilder();

    DIJKSTRA_SEGMENT.seg(text).forEach(term->result.append(term.word).append(" "));

    return result.toString();

}

现在我们已经实现了本文的第一个目的：学会使用11大Java开源中文分词器。

最后我们来实现本文的第二个目的：对比分析11大Java开源中文分词器的分词效果，程序如下：

public static Map<String, Set<String>> contrast(String text){

    Map<String, Set<String>> map = new LinkedHashMap<>();

    map.put("word分词器", new WordEvaluation().seg(text));

    map.put("Stanford分词器", new StanfordEvaluation().seg(text));

    map.put("Ansj分词器", new AnsjEvaluation().seg(text));

    map.put("HanLP分词器", new HanLPEvaluation().seg(text));

    map.put("FudanNLP分词器", new FudanNLPEvaluation().seg(text));

    map.put("Jieba分词器", new JiebaEvaluation().seg(text));

    map.put("Jcseg分词器", new JcsegEvaluation().seg(text));

    map.put("MMSeg4j分词器", new MMSeg4jEvaluation().seg(text));

    map.put("IKAnalyzer分词器", new IKAnalyzerEvaluation().seg(text));

    map.put("smartcn分词器", 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分词器", new WordEvaluation().segMore(text));

    map.put("Stanford分词器", new StanfordEvaluation().segMore(text));

    map.put("Ansj分词器", new AnsjEvaluation().segMore(text));

    map.put("HanLP分词器", new HanLPEvaluation().segMore(text));

    map.put("FudanNLP分词器", new FudanNLPEvaluation().segMore(text));

    map.put("Jieba分词器", new JiebaEvaluation().segMore(text));

    map.put("Jcseg分词器", new JcsegEvaluation().segMore(text));

    map.put("MMSeg4j分词器", new MMSeg4jEvaluation().segMore(text));

    map.put("IKAnalyzer分词器", new IKAnalyzerEvaluation().segMore(text));

    map.put("smartcn分词器", new SmartCNEvaluation().segMore(text));

    return map;

}

public static void show(Map<String, Set<String>> map){

    map.keySet().forEach(k -> {

        System.out.println(k + " 的分词结果：");

        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 + " 的分词结果：");

        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("我爱楚离陌"));

    showMore(contrastMore("我爱楚离陌"));

}

运行结果如下：

---

word分词器 的分词结果：

1 、我 爱 楚离陌 

Stanford分词器 的分词结果：

1 、我 爱 楚 离陌 

2 、我 爱 楚离陌 

Ansj分词器 的分词结果：

1 、我 爱 楚离 陌 

2 、我 爱 楚 离 陌 

HanLP分词器 的分词结果：

1 、我 爱 楚 离 陌 

smartcn分词器 的分词结果：

1 、我 爱 楚 离 陌 

FudanNLP分词器 的分词结果：

1 、我 爱楚离陌

Jieba分词器 的分词结果：

1 、我爱楚 离 陌 

Jcseg分词器 的分词结果：

1 、我 爱 楚 离 陌 

MMSeg4j分词器 的分词结果：

1 、我爱 楚 离 陌 

IKAnalyzer分词器 的分词结果：

1 、我 爱 楚 离 陌 

---

---

word分词器 的分词结果：

1 、【全切分算法】  我 爱 楚离陌 

2 、【双向最大最小匹配算法】 我 爱 楚离陌 

3 、【正向最大匹配算法】   我 爱 楚离陌 

4 、【双向最大匹配算法】   我 爱 楚离陌 

5 、【逆向最大匹配算法】   我 爱 楚离陌 

6 、【正向最小匹配算法】   我 爱 楚离陌 

7 、【双向最小匹配算法】   我 爱 楚离陌 

8 、【逆向最小匹配算法】   我 爱 楚离陌 

Stanford分词器 的分词结果：

1 、【Stanford Chinese Treebank segmentation】 我 爱 楚离陌 

2 、【Stanford Beijing University segmentation】   我 爱 楚 离陌 

Ansj分词器 的分词结果：

1 、【BaseAnalysis】   我 爱 楚 离 陌 

2 、【IndexAnalysis】  我 爱 楚 离 陌 

3 、【ToAnalysis】 我 爱 楚 离 陌 

4 、【NlpAnalysis】    我 爱 楚离 陌 

HanLP分词器 的分词结果：

1 、【NLP分词】  我 爱 楚 离 陌 

2 、【标准分词】   我 爱 楚 离 陌 

3 、【N-最短路径分词】   我 爱 楚 离 陌 

4 、【索引分词】   我 爱 楚 离 陌 

5 、【最短路径分词】 我 爱 楚 离 陌 

6 、【极速词典分词】 我 爱 楚 离 陌 

smartcn分词器 的分词结果：

1 、【smartcn】    我 爱 楚 离 陌 

FudanNLP分词器 的分词结果：

1 、【FudanNLP】   我 爱楚离陌

Jieba分词器 的分词结果：

1 、【SEARCH】 我爱楚 离 陌 

2 、【INDEX】  我爱楚 离 陌 

Jcseg分词器 的分词结果：

1 、【简易模式】   我 爱 楚 离 陌 

2 、【复杂模式】   我 爱 楚 离 陌 

MMSeg4j分词器 的分词结果：

1 、【SimpleSeg】  我爱 楚 离 陌 

2 、【ComplexSeg】 我爱 楚 离 陌 

3 、【MaxWordSeg】 我爱 楚 离 陌 

IKAnalyzer分词器 的分词结果：

1 、【智能切分】   我 爱 楚 离 陌 

2 、【细粒度切分】  我 爱 楚 离 陌 

---