震惊!Java分词既然如此简单!

今天上午接到了个需求,要求对输入框输入的内容进行关键字提取,我接到需求的一瞬间也是蒙的,因为在印象里这都是自然语言干的事,于是我上网搜了搜发现确实有很多集成好的包,我大概找了几种(HanLP,Jieba,Ansj,IK-Analyzer)分别测试了下,经过测试发现IK-Analyzer这款最简单好用,虽然网上都说Jieba目前是中文分词最好的,话不多说上代码:

1、先引入maven依赖,版本你们自己挑选

        <dependency>
            <groupId>cn.shenyanchao.ik-analyzer</groupId>
            <artifactId>ik-analyzer</artifactId>
            <version>9.0.0</version>
        </dependency>

2、基础代码实现:

public static void main(String[] args) {
        String text = "我明天要和小伙伴们一起去阿拉德大陆的西海岸旅游";
        try {
            Set<String> keywords = extractKeywords(text);
            System.out.println("关键字:" + keywords);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    /**
     * description 提取关键字
     *
     * @author yanzy
     * @version 1.0
     * @date 2024/5/7 17:12
     */
    private static Set<String> extractKeywords(String text) throws Exception {
        Set<String> keywords = new HashSet<>();
        StringReader reader = new StringReader(text);
        IKSegmenter segmenter = new IKSegmenter(reader, true); // true表示使用智能模式
        Lexeme lexeme;
        while ((lexeme = segmenter.next()) != null) {
            String word = lexeme.getLexemeText(); // 获取分词结果
            // 根据词性和长度筛选关键字
            if (isValidKeyword(word, lexeme.getLexemeType())) {
            keywords.add(word);
            }
        }
        return keywords;
    }

    /**
     * description 根据自定义条件判断是否为有效关键字
     *
     * @author yanzy
     * @version 1.0
     * @date 2024/5/7 17:12
     */
    private static boolean isValidKeyword(String word, int lexemeType) {
        // 这里可以根据你的需求调整筛选规则
        // 一般来说,名词、专有名词、形容词等类型的词可以作为关键词
        // 根据词长和词性来筛选关键词
        // 例如:提取名词(类型4)、专有名词(类型10)以及形容词(类型2),长度大于1的词
        return (lexemeType == Lexeme.TYPE_CNWORD || lexemeType == Lexeme.TYPE_ARABIC) && word.length() > 1;
    }

3、运行结果,可以看到有一些词是我们想要的,一些是不需要的,想要的词也不是连在一起的,被分成了多个,并且缺胳膊断腿

关键字:[西海岸, 拉德, 大陆, 明天, 小伙伴, 要和, 一起, 旅游]

4、为此我搜索了半天,终于找到解决办法, IK-Analyzer是支持扩展词典的,具体操作如下:

①、准备自定义词典文件:首先,准备一个文本文件,将你想要添加的自定义词汇逐行写入该文件,每行一个词汇,可以附加词频和词性等信息,以提高分词的准确性。

②、加载自定义词典文件:在 IK Analyzer 的配置文件中加载自定义词典文件(配置文件我贴在下面了),这样,分词器在分词时会将自定义词汇考虑在内。

③、xml文件一定要和扩展词典在同一级下,否则加载不到。

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>

    <comment>IK Analyzer扩展词典</comment>

    <!-- 配置自定义词典 -->
    <entry key="ext_dict">custom_dict.txt;</entry>

    <!-- 配置停用词典 -->
    <entry key="ext_stopwords">custom_dict.txt;</entry>

</properties>

在这里插入图片描述

下面是扩展词典里我自定义的词汇:

在这里插入图片描述

5、这时我们在运行程序,看看结果:

关键字:[ 明天, 要和 ,小伙伴, 阿拉德大陆, 西海岸,一起, 旅游]

6、可以看到这次提取出来的就是我们想要的关键字了,那些多余的自己剔除掉就好了,如果你有很多需要自定义的词汇,可以在项目启动时全部初始化到扩展词典中,扩展词典支持txt和dic格式,按需使用即可。

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
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 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 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", SegmentationA
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值