基于ansj_seg和nlp-lang的简单nlp工具类
1、首先在pom中引入ansj_seg和nlp-lang的依赖包,
ansj_seg包的作用:
这是一个基于n-Gram+CRF+HMM的中文分词的java实现;
分词速度达到每秒钟大约200万字左右(mac air下测试),准确率能达到96%以上;
目前实现了.中文分词. 中文姓名识别 . 用户自定义词典,关键字提取,自动摘要,关键字标记等功能;
可以应用到自然语言处理等方面,适用于对分词效果要求高的各种项目;
nlp-lang包的作用(nlp常用工具和组件):
工具:词语标准化、tire树结构、双数组tire树、文本断句、html标签清理、Viterbi算法增加;
组件:汉字转拼音、简繁体转换、bloomfilter、指纹去重、SimHash文章相似度计算、词贡献统计、基于内存的搜索提示、WordWeight词频统计,词idf统计,词类别相关度统计;
如下:
<!-- nlp-lang -->
<dependency>
<groupId>org.nlpcn</groupId>
<artifactId>nlp-lang</artifactId>
<version>1.7.2</version>
</dependency>
<!-- ansj_seg -->
<dependency>
<groupId>org.ansj</groupId>
<artifactId>ansj_seg</artifactId>
<version>5.1.2</version>
</dependency>
2、创建WordUtil类,如下:
package com.mengyao.nlp.util; import java.util.ArrayList;
import java.util.Collection;
import java.util.List;
import java.util.Map;
import java.util.Map.Entry; import org.ansj.app.keyword.KeyWordComputer;
import org.ansj.app.keyword.Keyword;
import org.ansj.app.summary.SummaryComputer;
import org.ansj.app.summary.pojo.Summary;
import org.ansj.domain.Result;
import org.ansj.domain.Term;
import org.ansj.splitWord.analysis.IndexAnalysis;
import org.ansj.splitWord.analysis.NlpAnalysis;
import org.ansj.splitWord.analysis.ToAnalysis;
import org.apache.commons.lang3.StringUtils;
import org.nlpcn.commons.lang.jianfan.JianFan;
import org.nlpcn.commons.lang.pinyin.Pinyin;
import org.nlpcn.commons.lang.util.WordAlert;
import org.nlpcn.commons.lang.util.WordWeight;
/**
*
* @author mengyao
*
*/
public class WordUtil { public static void main(String[] args) {
System.out.println("2016/06/25".matches("^\\d{4}(\\-|\\/|\\.)\\d{1,2}\\1\\d{1,2}$"));
System.out.println("20160625".matches("^\\d{8}$"));
} /**
* 文章摘要
* @param title
* @param content
* @return
*/
public static String getSummary(String title, String content) {
SummaryComputer summaryComputer = new SummaryComputer(title, content);
Summary summary = summaryComputer.toSummary();
return summary.getSummary();
} /**
* 带标题的文章关键词提取
* @param title
* @param content
* @return
*/
public static List<Keyword> getKeyWord(String title, String content) {
List<Keyword> keyWords = new ArrayList<Keyword>();
KeyWordComputer<NlpAnalysis> kwc = new KeyWordComputer<NlpAnalysis>(20);
Collection<Keyword> result = kwc.computeArticleTfidf(title, content);
for (Keyword keyword : result) {
keyWords.add(keyword);
}
return keyWords;
} /**
* 不带标题的文章关键词提取
* @param content
* @return
*/
public static List<Keyword> getKeyWord2(String content) {
List<Keyword> keyWords = new ArrayList<Keyword>();
KeyWordComputer<NlpAnalysis> kwc = new KeyWordComputer<NlpAnalysis>(20);
Collection<Keyword> result = kwc.computeArticleTfidf(content);
for (Keyword keyword : result) {
keyWords.add(keyword);
}
return keyWords;
} /**
* 标准分词
* @param text
* @return
*/
public static List<Term> getToSeg(String text) {
List<Term> words = new ArrayList<Term>();
Result parse = ToAnalysis.parse(text);
for (Term term : parse) {
if (null!=term.getName()&&!term.getName().trim().isEmpty()) {
words.add(term);
}
}
return words;
} /**
* NLP分词
* @param text
* @return
*/
public static List<Term> getNlpSeg(String text) {
List<Term> words = new ArrayList<Term>();
Result parse = NlpAnalysis.parse(text);
for (Term term : parse) {
if (null!=term.getName()&&!term.getName().trim().isEmpty()) {
words.add(term);
}
}
return words;
} /**
* Index分词
* @param text
* @return
*/
public static List<Term> getIndexSeg(String text) {
List<Term> words = new ArrayList<Term>();
Result parse = IndexAnalysis.parse(text);
for (Term term : parse) {
if (null!=term.getName()&&!term.getName().trim().isEmpty()) {
words.add(term);
}
}
return words;
} /**
* 简体转繁体
* @param word
* @return
*/
public static String jian2fan(String text) {
return JianFan.j2f(text);
} /**
* 繁体转简体
* @param word
* @return
*/
public static String fan2jian(String text) {
return JianFan.f2j(text);
} /**
* 拼音(不带音标)
* @param word
* @return
*/
public static String pinyin(String text) {
StringBuilder builder = new StringBuilder();
List<String> pinyins = Pinyin.pinyin(text);
for (String pinyin : pinyins) {
if (null != pinyin) {
builder.append(pinyin+" ");
}
}
return builder.toString();
} /**
* 拼音(不带音标,首字母大写)
* @param word
* @return
*/
public static String pinyinUp(String text) {
StringBuilder builder = new StringBuilder();
List<String> pinyins = Pinyin.pinyin(text);
for (String pinyin : pinyins) {
if (StringUtils.isEmpty(pinyin)) {
continue;
}
builder.append(pinyin.substring(0,1).toUpperCase()+pinyin.substring(1));
}
return builder.toString();
} /**
* 拼音(带数字音标)
* @param word
* @return
*/
public static String tonePinyin(String text) {
StringBuilder builder = new StringBuilder();
List<String> pinyins = Pinyin.tonePinyin(text);
for (String pinyin : pinyins) {
if (null != pinyin) {
builder.append(pinyin+" ");
}
}
return builder.toString();
} /**
* 拼音(带符号音标)
* @param word
* @return
*/
public static String unicodePinyin(String text) {
StringBuilder builder = new StringBuilder();
List<String> pinyins = Pinyin.unicodePinyin(text);
for (String pinyin : pinyins) {
if (null != pinyin) {
builder.append(pinyin+" ");
}
}
return builder.toString();
} /**
* 词频统计
* @param words
* @return
*/
public static Map<String, Double> wordCount(List<String> words) {
WordWeight ww = new WordWeight();
for (String word : words) {
ww.add(word);
}
return ww.export();
} /**
* 词频统计
* @param words
* @return
*/
public static List<String> wordCount1(List<String> words) {
List<String> wcs = new ArrayList<String>();
WordWeight ww = new WordWeight();
for (String word : words) {
ww.add(word);
}
Map<String, Double> export = ww.export();
for (Entry<String, Double> entry : export.entrySet()) {
wcs.add(entry.getKey()+":"+entry.getValue());
}
return wcs;
} /**
* 语种识别:1英文;0中文
* @param words
* @return
*/
public static int language(String word) {
return WordAlert.isEnglish(word)?1:0;
} }
基于ansj_seg和nlp-lang的简单nlp工具类的更多相关文章
- 分享基于MemoryCache(内存缓存)的缓存工具类,C# B/S 、C/S项目均可以使用!
using System; using System.Collections.Generic; using System.Linq; using System.Runtime.Caching; usi ...
- Go/Python/Erlang编程语言对比分析及示例 基于RabbitMQ.Client组件实现RabbitMQ可复用的 ConnectionPool(连接池) 封装一个基于NLog+NLog.Mongo的日志记录工具类LogUtil 分享基于MemoryCache(内存缓存)的缓存工具类,C# B/S 、C/S项目均可以使用!
Go/Python/Erlang编程语言对比分析及示例 本文主要是介绍Go,从语言对比分析的角度切入.之所以选择与Python.Erlang对比,是因为做为高级语言,它们语言特性上有较大的相似性, ...
- Apache Commons Lang之日期时间工具类
码农不识Apache,码尽一生也枉然. FastDateFormat FastDateFormat是一个快速且线程安全的时间操作类,它完全可以替代SimpleDateFromat.因为是线程安全的,所 ...
- JDBC第一篇--【介绍JDBC、使用JDBC连接数据库、简单的工具类】
1.什么是JDBC JDBC全称为:Java Data Base Connectivity,它是可以执行SQL语句的Java API 2.为什么我们要用JDBC 市面上有非常多的数据库,本来我们是需要 ...
- JDBC【介绍JDBC、使用JDBC连接数据库、简单的工具类】
1.什么是JDBC JDBC全称为:Java Data Base Connectivity,它是可以执行SQL语句的Java API 2.为什么我们要用JDBC 市面上有非常多的数据库,本来我们是需要 ...
- 基于数组阻塞队列 ArrayBlockingQueue 的一个队列工具类
java语言基于ArrayBlockingQueue 开发的一个根据特定前缀和后缀的队列.每天自动循环生成. 1.定义队列基类 Cookie package com.bytter.util.queue ...
- SSM-MyBatis-10:Mybatis中SqlSession的getMapper()和简单的工具类MyBatisUtils
------------吾亦无他,唯手熟尔,谦卑若愚,好学若饥------------- getMapper的作用,获取到接口,直接通过点的方式调用方法,以免直接手打的方式写错方法名,(强类型的方式) ...
- 字符串排序简单的工具类,数组转list,list转数组
public static void main(String[] args) { /* String[] str = {"a", "c", "b&qu ...
- 基于Java反射的map自动装配JavaBean工具类设计
我们平时在用Myabtis时不是常常需要用map来传递参数,大体是如下的步骤: public List<Role> findRoles(Map<String,Object> p ...
- 基于json-lib-2.2.2-jdk15.jar的JSON解析工具类大集合
json解析之前的必备工作:导入json解析必须的六个包 资源链接:百度云:链接:https://pan.baidu.com/s/1dAEQQy 密码:1v1z 代码示例: package com.s ...
随机推荐
- Centos安装TFTP/NFS/PXE服务器网络引导安装系统
客户端网卡要求支持以PXE启动,配置都在服务端进行,通过PXE网络启动安装系统流程: 客户端以PXE启动发送DHCP请求: 服务器DHCP应答,包括客户端的IP地址,引导文件所在TFTP服务器: 客户 ...
- delphi怎样单步调试
在delphi的IDE编辑窗口里,主菜单->Run->Step Over或者主菜单->Run->Trace Into单步调试有两种方式:一种是Step Over,快捷键是F8, ...
- Django Models相关
Models的相关知识 1. AutoField:自增整数类型.根据 ID 自增长的 Int字段 2. IntegerField:整数类型 3. BigIntegerField:大整数类型.用于数值较 ...
- [洛谷P5105]不强制在线的动态快速排序
题目大意:有一个可重集$S$,有两个操作: $1\;l\;r:$表示把$S$变为$S\cup[l,r]$ $2:$表示将$S$从小到大排序,记为$a_1,a_2,\dots,a_n$,然后求出$\bi ...
- [AHOI2009]最小割 最小割可行边&必须边
~~~题面~~~ 题解: 做这题的时候才知道有最小割可行边和必须边这种东西..... 1,最小割可行边, 意思就是最小割中可能出现的边. 充要条件: 1,满流 2,在残余网络中找不到x ---> ...
- BZOJ5286:[HNOI/AHOI2018]转盘——题解
https://www.lydsy.com/JudgeOnline/problem.php?id=5286 https://www.luogu.org/problemnew/show/P4425 ht ...
- Linq改进
原代码: foreach (var item in pageData) { list.Add(new tn_Manager { UserName = item.UserName, IsAudit = ...
- hdu 1698 线段树 区间更新 区间求和
Just a Hook Time Limit: 4000/2000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others)Total ...
- expect使用小结
因为工作关系,需要经常从线上机器上拉取数据,于是想着能否写个脚本,自动完成这个任务呢? 我一般使用scp在机器间传输文件,然而每次scp都需要输入密码,自动化脚本怎么解决这个问题呢?于是expect这 ...
- POJ 2976 二分
Dropping tests Time Limit: 1000MS Memory Limit: 65536K Total Submissions: 12515 Accepted: 4387 D ...