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
- phpcms免登录cookies设置方案
PHPCMS的SESSION时间长一些的解决办法修改两个文件: phpsso_server/caches/configs/system.php里的 'session_ttl' => 999999 ...
- IPython 4.0发布:Jupyter和IPython分离后的首个版本
IPython 4.0日前正式发布,这是IPython分离成IPython和Jupyter后的第一个重要版本. 更新Jupyter的快捷方式是: pip install --upgrade jupyt ...
- mysql通过binlog恢复数据
如果mysql不小心操作失误导致数据错误或者丢失这时候binlog起到了很大的作用 恢复有几种方式 1.按时间恢复--start-datetime 如果确定了时间点,那么按时间恢复是一个再好不过的 ...
- BZOJ 1221 软件开发(费用流)
容易看出这是显然的费用流模型. 把每天需要的餐巾数作为限制.需要将天数拆点,x’表示每天需要的餐巾,x’’表示每天用完的餐巾.所以加边 (s,x',INF,0),(x'',t,INF,0). 餐巾可以 ...
- 【bzoj1029】[JSOI2007]建筑抢修 贪心+堆
题目描述 小刚在玩JSOI提供的一个称之为“建筑抢修”的电脑游戏:经过了一场激烈的战斗,T部落消灭了所有z部落的入侵者.但是T部落的基地里已经有N个建筑设施受到了严重的损伤,如果不尽快修复的话,这些建 ...
- Python 开篇及第一个Python程序
本节内容 python 简单介绍 python 2.x 或者python 3.x python 安装 第一个python程序 一.python简单介绍 python的创始人为吉多.范罗苏姆(Guido ...
- Python 源码剖析(三)【字符串对象】
三.字符串对象 1.PyStringObject与PyString_Type 2.创建PyStringObject对象 3.Intern 机制 4.字符缓冲池 5.PyStringObject 效率相 ...
- Dom选择器以及内容文本操作
1. DOM:文档对象模型.把整个HTML当做大的对象.每一个标签认为是一个对象.(每一个个体就是一个对象) 2. 查找: 直接查找 var obj=document.getElementById(& ...
- 【题解】Atcoder ARC#94 F-Normalization
再次膜拜此强题!神级性质之不可能发现系列收藏++:首先,对于长度<=3的情况,我们采取爆搜答案(代码当中是打表).对于长度>=4的情况,则有如下几条玄妙的性质: 首先我们将 a, b, c ...
- [UVA307]小木棍 Sticks
题目大意:有一堆小木棍,把它们接成相同长度的小木棍,问结果的小木棍的最小长度是多少,多组数据 题解:$dfs$,各种剪枝. 卡点:无 C++ Code: #include <cstdio> ...