Java 开源中文分词器Ansj 学习教程_java中文分词器

Java有11大开源中文分词器，分别是word分词器，Ansj分词器，Stanford分词器，FudanNLP分词器，Jieba分词器，Jcseg分词器，MMSeg4j分词器，IKAnalyzer分词器，Paoding分词器，smartcn分词器，HanLP分词器。

不同的分词器有不同的用法，定义的接口也不一样，至于效果哪个好，那要结合自己的应用场景自己来判断。

这里我就主要介绍Ansj中文分词器，它是一个开源的 Java 中文分词工具,基于中科院的 ictclas 中文分词算法,比其他常用的开源分词工具(如MMseg4j)的分词准确率更高，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,适用于对分词效果要求高的各种项目。

其Github地址为https://github.com/NLPchina/ansj_seg，上面有较详细的说明。

一、依赖注入

首先添加ansj的maven依赖（目前最高版本是5.1.6）：

<!-- 开源中文分词器Ansj -->
<dependency>
	<groupId>org.ansj</groupId>
	<artifactId>ansj_seg</artifactId>
	<version>5.1.6</version>
</dependency>
1
2
3
4
5
6

注：访问 https://oss.sonatype.org/content/repositories/releases/org/ansj/ansj_seg/ 可查看或下载最新版 ansj_seg/

二、调用方式

1. 基本分词-BaseAnalysis

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。

简单的示例代码：

	public static void main(String[] args) {
		long startTime = System.currentTimeMillis();
		String text = "20个左边的卡罗拉倒车镜! ";
		Result analysisedResult = BaseAnalysis.parse(text);
		long endTime = System.currentTimeMillis();
		long time = endTime - startTime;
		System.out.println("基本分词: " + analysisedResult + "(" + time + "ms)");
	}
1
2
3
4
5
6
7
8

输出的结果：

基本分词: 20/m,个/q,左边/f,的卡/n,罗/j,拉/v,倒车镜/n,!/w, (1871ms)
1

可以看到分词后会在词语的后边加上对应词语的词性
如何不输出词性，仅输出词？
可以在后面加上.toStringWithOutNature()

	public static void main(String[] args) {
		long startTime = System.currentTimeMillis();
		String text = "20个左边的卡罗拉倒车镜! ";
		String analysisedText = BaseAnalysis.parse(text).toStringWithOutNature();
		long endTime = System.currentTimeMillis();
		long time = endTime - startTime;
		System.out.println("基本分词: " + analysisedText + "(" + time + "ms)");
	}
1
2
3
4
5
6
7
8

输出的结果：

基本分词: 20,个,左边,的卡,罗,拉,倒车镜,!, (1990ms)
1

可以看到现在后面的词性没有了，只输出了词

2. 精准分词-ToAnalysis

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。
如果你初次赏识Ansj如果你想开箱即用.那么就用这个分词方式是不会错的。

简单的示例代码：

	public static void main(String[] args) {
		long startTime = System.currentTimeMillis();
		String text = "20个左边的卡罗拉倒车镜! ";
		String analysisedText = ToAnalysis.parse(text).toStringWithOutNature();
		long endTime = System.currentTimeMillis();
		long time = endTime - startTime;
		System.out.println("精准分词: " + analysisedText + "(" + time + "ms)");
	}
1
2
3
4
5
6
7
8

输出的结果：

精准分词: 20个,左边,的卡,罗拉,倒车镜,!, (1856ms)
1

3. nlp分词-NlpAnalysis

nlp的适用方式：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

简单的示例代码：

	public static void main(String[] args) {
		long startTime = System.currentTimeMillis();
		String text = "20个左边的卡罗拉倒车镜! ";
		String analysisedText = NlpAnalysis.parse(text).toStringWithOutNature();
		long endTime = System.currentTimeMillis();
		long time = endTime - startTime;
		System.out.println("nlp分词: " + analysisedText + "(" + time + "ms)");
	}
1
2
3
4
5
6
7
8

输出的结果：

nlp分词: 20个,左边,的,卡,罗拉,倒车镜,!, (2712ms)
1

4. 面向索引的分词-IndexAnalysis

面向索引的分词，故名思议就是适合在lucene等文本检索中用到的分词。
主要考虑以下两点：
召回率是对分词结果尽可能的涵盖。比如对“上海虹桥机场南路” 召回结果是[上海/ns, 上海虹桥机场/nt, 虹桥/ns, 虹桥机场/nz, 机场/n, 南路/nr]

准确率其实这和召回本身是具有一定矛盾性的Ansj的强大之处是很巧妙的避开了这两个的冲突 。比如我们常见的歧义句“旅游和服务”->对于一般保证召回 。大家会给出的结果是“旅游 和服 服务” 对于ansj不存在跨term的分词。意思就是。召回的词只是针对精准分词之后的结果的一个细分。比较好的解决了这个问题

简单的示例代码：

	public static void main(String[] args) {
		long startTime = System.currentTimeMillis();
		String text = "20个左边的卡罗拉倒车镜! ";
		String analysisedText = IndexAnalysis.parse(text).toStringWithOutNature();
		long endTime = System.currentTimeMillis();
		long time = endTime - startTime;
		System.out.println("面向索引的分词: " + analysisedText + "(" + time + "ms)");
	}
1
2
3
4
5
6
7
8

输出的结果：

面向索引的分词: 20个,左边,的卡,罗拉,倒车镜,!, (1825ms)
1

5. 四种方式比较

四种方式功能统计如下：

三、 停词器

停用词需求是一种及其常见的需求,好处很多很多,令人惊讶的是坏处比好处还多,所以一般情况下不要用这个，比较耗费cpu

第一步实例化停用器

第二步调用过滤：
如下面的三种形式的过滤（用精准分词来举例）

1. 过滤词性(insertStopNatures())

简单的示例代码：

	public static void main(String[] args) {
		long startTime = System.currentTimeMillis();
		StopRecognition stopRecognition = new StopRecognition();
		String text = "20个左边的卡罗拉倒车镜! ";

		//剔除标点符号(w)
		stopRecognition.insertStopNatures("w");
		String analysisedText = ToAnalysis.parse(text).recognition(stopRecognition)
		.toStringWithOutNature().replaceAll(","," ");
		long endTime = System.currentTimeMillis();
		long time = endTime - startTime;
		System.out.println("精准分词: " + analysisedText + "(" + time + "ms)");
	}
1
2
3
4
5
6
7
8
9
10
11
12
13

输出的结果：

精准分词: 20个 左边 的卡 罗拉 倒车镜  (1974ms)
1

从结果可以看到句中的感叹号已经被剔除了

2. 过滤单词(insertStopWords())

简单的示例代码：

	public static void main(String[] args) {
		long startTime = System.currentTimeMillis();
		StopRecognition stopRecognition = new StopRecognition();
		String text = "20个左边的卡罗拉倒车镜! ";

		//剔除指定的分词
		stopRecognition.insertStopWords("20个");
		String analysisedText = ToAnalysis.parse(text).recognition(stopRecognition)
		.toStringWithOutNature().replaceAll(","," ");
		long endTime = System.currentTimeMillis();
		long time = endTime - startTime;
		System.out.println("精准分词: " + analysisedText + "(" + time + "ms)");
	}
1
2
3
4
5
6
7
8
9
10
11
12
13

输出的结果：

精准分词: 左边 的卡 罗拉 倒车镜 !  (2089ms)
1

从结果可以看到20个已经被剔除了

3. 支持正则表达式(insertStopRegexes())

简单的示例代码：

	public static void main(String[] args) {
		long startTime = System.currentTimeMillis();
		StopRecognition stopRecognition = new StopRecognition();
		String text = "20个左边的卡罗拉倒车镜! ";

		//剔除指定的分词
		stopRecognition.insertStopRegexes("倒车.*?");
		String analysisedText = ToAnalysis.parse(text).recognition(stopRecognition)
		.toStringWithOutNature().replaceAll(","," ");
		long endTime = System.currentTimeMillis();
		long time = endTime - startTime;
		System.out.println("精准分词: " + analysisedText + "(" + time + "ms)");
	}
1
2
3
4
5
6
7
8
9
10
11
12
13

简单的示例代码：

精准分词: 20个 左边 的卡 罗拉 !  (2004ms)
1

从结果可以看到“倒车镜”已经被剔除了

---

参考：

AnsjSeg使用手册