分词工具比较及使用(ansj、hanlp、jieba)

一、分词工具

ansj、hanlp、jieba

二、优缺点

1.ansj

优点:
　　提供多种分词方式
　　可直接根据内部词库分出人名、机构等信息
　　可构造多个词库，在分词时可动态选择所要使用的词库
缺点:
　　自定义词典时，系统词典还是被优先使用，导致词性不是自定义词典中的词性
　　多单词英文姓名无法分出
适用场景

　　若不使用自定义分词，可直接使用ansj

2.hanlp

优点:
　　自定义分词、词性方便
　　可分出多单词的英文名称(词典数据可带空格)
　　可动态增删词库,
　　动态添加词典前五千万速度很快，5m左右
缺点：
　　动态添加词典前五千万快的很，越往后越慢
　　词典文件添加自定义词典速度略慢，添加100w需要2m30s
适用场景：

　　词典数量少于五千万，词典数据若包含空格，用hanlp比较合适

3.jieba

优点:
　　自定义分词、词性方便
　　词典文件添加自定义词典比hanlp快，词典文件添加100w需要1m，八千万 2h多
缺点:
　　自定义词典时，带空格的词不支持
适用场景：
　　词典数量大于五千万
　　词典数据不能包含空格，否则分不出

ansj的使用

1.maven引入ansj包

<ansj.version>5.0.</ansj.version>
<tree_split.version>1.5</tree_split.version>
<nlp-lang.version>1.7.</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.在项目根目录下创建library文件夹，文件夹下包括以下几个词典文件(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分词
 */
public class SegmentTest {

    public static void main(String[] args) {
//        dynamicWord();
//        localDic();
//        moreUserDic();
    }

    /**
     * 多用户词典(新增、删除)
     */
    public static void moreUserDic() {
        // 多用户词典
        String str = "神探夏洛克这部电影作者.是一个dota迷";
        System.out.println(ToAnalysis.parse(str));
        // 两个词汇 神探夏洛克 douta迷
        Forest dic1 = new Forest();
        Library.insertWord(dic1, new Value("神探夏洛克", "define", ""));
        Forest dic2 = new Forest();
        Library.insertWord(dic2, new Value("dota迷", "define", ""));
        System.out.println(ToAnalysis.parse(str, dic1, dic2));

        System.out.println("-------删除dic1中的词");
        Library.removeWord(dic1, "神探夏洛克");
        System.out.println(ToAnalysis.parse(str, dic1, dic2));
    }

    /**
     * 动态增删词库
     */
    public static void dynamicWord(){
        // 增加新词,中间按照'\t'隔开
        UserDefineLibrary.insertWord("ansj中文分词", "userDefine", );
        Result result =  ToAnalysis.parse("我觉得Ansj中文分词是一个不错的系统!我是王婆!");
        System.out.println("增加新词例子:" + result);
        // 删除词语,只能删除.用户自定义的词典.
        UserDefineLibrary.removeWord("ansj中文分词");
        result = ToAnalysis.parse("我觉得ansj中文分词是一个不错的系统!我是王婆!");
        System.out.println("删除用户自定义词典例子:" + result);

        //将用户自定义词典清空
        UserDefineLibrary.clear();
    }

    /**
     * 加载词典文件
     */
    public static void localDic(){
        try {
            //读的是根目录下的
            Forest rootForest = Library.makeForest("library/userLibrary.dic");
            System.out.println(rootForest.toMap());
            //加载字典文件,取的是resource下的
            InputStream inputStream = SegmentTest.class.getResourceAsStream("/library/userLibrary.dic");
            Forest resoutceForest=Library.makeForest(inputStream);
            String str = "我觉得ansj中文分词是一个不错的系统!我是王婆!";
            Result result=ToAnalysis.parse(str, resoutceForest);//传入forest
            List<Term> termList=result.getTerms();
            for(Term term:termList){
                System.out.println(term.getName()+":"+term.getNatureStr());
            }
        } catch (Exception e) {
            e.printStackTrace();
        }

    }

    /**
     * 基本分词
     * 基本就是保证了最基本的分词.词语颗粒度最非常小的..所涉及到的词大约是10万左右.
     * 基本分词速度非常快.在macAir上.能到每秒300w字每秒.同时准确率也很高.但是对于新词他的功能十分有限
     * @param content
     */
    public static void baseAnay(String content) {
        Result result = BaseAnalysis.parse(delHTMLTag(content).replace("\n","").replace(" ", "").replace("\t",""));
        System.out.println("result:" + result);
    }

    /**
     * 精准分词
     * 它在易用性,稳定性.准确性.以及分词效率上.都取得了一个不错的平衡.
     * @param content
     */
    public static void toAnay(String content){
        Result result = ToAnalysis.parse(content);
        System.out.println("result:" + result);
    }

    /**
     * nlp分词(单条新闻处理7秒)
     * 可以识别出未登录词.但是它也有它的缺点.速度比较慢.稳定性差.ps:我这里说的慢仅仅是和自己的其他方式比较.应该是40w字每秒的速度吧.
     * 个人觉得nlp的适用方式.1.语法实体名抽取.未登录词整理.只要是对文本进行发现分析等工作
     * 会把企业分开
     * @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());
            }
        }
    }

    /**
     * 筛除HTML标签
     * @param htmlStr
     * @return
     */
    public static String delHTMLTag(String htmlStr){
        String regEx_script="<script[^>]*?>[\\s\\S]*?<\\/script>"; //定义script的正则表达式
        String regEx_style="<style[^>]*?>[\\s\\S]*?<\\/style>"; //定义style的正则表达式
        String regEx_html="<[^>]+>"; //定义HTML标签的正则表达式

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

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

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

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

}

hanlp的使用

1.maven添加依赖

<dependency>
    <groupId>com.hankcs</groupId>
    <artifactId>hanlp</artifactId>
    <version>portable-1.7.</version>
</dependency>

2.动态添加词

/**
     * 新增词
     */
    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")) {
            //大小括号问题
            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({})为空 ====", word);
        }
    }

3.动态删除词

/**
     * 删除词
     * @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为空({}) ====", word);
        }
    }

4.使用

/**
     * 分词
     * @param content
     * @param forests
     * ToAnalysis精准分词
     * BaseAnalysis基础分词
     */
    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@分词结果:{},提取结果:{} ====", terms.toString(), segmentResult.toString());
        return segmentResult;
    }

5.自定义词典文件

词典文件格式如下,依次是 词、词性、权重
word nature weight

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

data文件夹如下

hanlp.properties如下

#本配置文件中的路径的根目录，根目录+其他路径=完整路径（支持相对路径，请参考：https://github.com/hankcs/HanLP/pull/254）
#Windows用户请注意，路径分隔符统一使用/
root=/Users/FengZhen/Desktop/accumulate/分词/HanLP/

#好了，以上为唯一需要修改的部分，以下配置项按需反注释编辑。

#核心词典路径
#CoreDictionaryPath=data/dictionary/CoreNatureDictionary.txt
#2元语法词典路径
#BiGramDictionaryPath=data/dictionary/CoreNatureDictionary.ngram.txt
#自定义词典路径，用;隔开多个自定义词典，空格开头表示在同一个目录，使用“文件名 词性”形式则表示这个词典的词性默认是该词性。优先级递减。
#所有词典统一使用UTF-8编码，每一行代表一个单词，格式遵从[单词] [词性A] [A的频次] [词性B] [B的频次] ... 如果不填词性则表示采用词典的默认词性。
CustomDictionaryPath=data/dictionary/custom/CustomDictionary.txt; Company.txt company; 现代汉语补充词库.txt; 全国地名大全.txt ns; 人名词典.txt; 机构名词典.txt; 上海地名.txt ns;data/dictionary/person/nrf.txt nrf;
#停用词词典路径
#CoreStopWordDictionaryPath=data/dictionary/stopwords.txt
#同义词词典路径
#CoreSynonymDictionaryDictionaryPath=data/dictionary/synonym/CoreSynonym.txt
#人名词典路径
#PersonDictionaryPath=data/dictionary/person/nr.txt
#人名词典转移矩阵路径
#PersonDictionaryTrPath=data/dictionary/person/nr.tr.txt
#繁简词典根目录
#tcDictionaryRoot=data/dictionary/tc
#HMM分词模型
#HMMSegmentModelPath=data/model/segment/HMMSegmentModel.bin
#分词结果是否展示词性
#ShowTermNature=true
#IO适配器，实现com.hankcs.hanlp.corpus.io.IIOAdapter接口以在不同的平台（Hadoop、Redis等）上运行HanLP
#默认的IO适配器如下，该适配器是基于普通文件系统的。
#IOAdapter=com.hankcs.hanlp.corpus.io.FileIOAdapter
#感知机词法分析器
#PerceptronCWSModelPath=data/model/perceptron/pku199801/cws.bin
#PerceptronPOSModelPath=data/model/perceptron/pku199801/pos.bin
#PerceptronNERModelPath=data/model/perceptron/pku199801/ner.bin
#CRF词法分析器
#CRFCWSModelPath=data/model/crf/pku199801/cws.txt
#CRFPOSModelPath=data/model/crf/pku199801/pos.txt
#CRFNERModelPath=data/model/crf/pku199801/ner.txt
#更多配置项请参考 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路径为本地data文件夹的父级路径
2.准备好的词典文件可直接放入 data/dictionary/custom/下，然后再hanlp.properties中的 CustomDictionaryPath后添加该词典文件名即可，如果不想在词典文件中指定词性，也可在CustomDictionaryPath指定名字的同时，在后边空格指定词性。如上Company.txt company
3.在调用分词方法时，hanlp会去自动加载自定义添加的词典。速度比较慢，100w需要2m30s
4.自定义词典文件更新时，需要将data/dictionary/custom/CustomDictionary.txt.bin删掉。

Jieba的使用

1.环境准备

需要Python环境，需要pip

2.安装jieba

sudo pip install jieba

3.使用

# encoding=utf-
import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式

seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
print(", ".join(seg_list))

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造") # 搜索引擎模式
print(", ".join(seg_list))

4.自定义词典

# encoding=utf-
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 为文件类对象或自定义词典的路径
print("end-time" + time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time())))

seg_list = jieba.cut("北京尚伯乐文化发展有限公司")
print("custom dic: " + "/ ".join(seg_list))

seg_list = pseg.cut(content) #带词性
for seg in seg_list:
print(seg)

词典内容如下

郑汴  company
灯塔市栈道村煤矿  company
深圳市莱斯达电信有限公司铁岭分公司  company
T&T ENERTECHNO  company
MMI Holdings Ltd  company
：三十门市部  company
关岭天利美容化妆品店  company
测试一下啦  company