基于ansj_seg的分词实现

Posted nyatom

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于ansj_seg的分词实现相关的知识,希望对你有一定的参考价值。

  ansj_seg,常用的分词工具,基于Java,简单好用

  依赖

  mvn依赖如下:

        <dependency>
            <groupId>org.ansj</groupId>
            <artifactId>ansj_seg</artifactId>
            <version>5.1.6</version>
        </dependency>

  代码实例

  个人做了简单封装,仅供参考

    /**
     * 获取分词后 词组集合
     * @param sequence
     * @return
     */
    public static List<String> segmentor(String sequence) {
        Result result = ToAnalysis.parse(sequence);
        List<Term> terms = result.getTerms(); //拿到terms
        return terms.stream().map(param -> param.getName()).collect(Collectors.toList());
    }

    /**
     * 获取指定词性的词
     * @param sequence
     * @return
     */
    public static List<String> segmentorNatureFilter(String sequence) {
        //只关注这些词性的词
        Set<String> expectedNature = new HashSet<String>() {{
            add("n");add("v");add("vd");add("vn");add("vf");
            add("vx");add("vi");add("vl");add("vg");
            add("nt");add("nz");add("nw");add("nl");
            add("ng");add("userDefine");add("wh");
        }};
        Result result = ToAnalysis.parse(sequence); //分词结果的一个封装,主要是一个List<Term>的terms

        List<Term> terms = result.getTerms(); //拿到terms
        return terms.stream().filter(item -> expectedNature.contains(item.getNatureStr()))
                .map(item -> (item.getName()+":"+item.getNatureStr())).collect(Collectors.toList());
    }

  测试

    public static void main(String[] args) {
        String str = "在 Java 7 以前,我们需要根据程序的特性选择对应的即时编译器。对于执?时间较短的,或者\n" +
                "对启动性能有要求的程序,我们采?编译效率较快的 C1,对应参数 -client。" ;

        AnsjSegUtils.segmentor(str).stream().forEach(System.out::println);
        System.out.println("--------------------------");
        AnsjSegUtils.segmentorNatureFilter(str).stream().forEach(System.out::println);
    }

  常用词性

# 1. 名词  (1个一类,7个二类,5个三类)
名词分为以下子类:
n 名词
nr 人名
nr1 汉语姓氏
nr2 汉语名字
nrj 日语人名
nrf 音译人名
ns 地名
nsf 音译地名
nt 机构团体名
nz 其它专名
nl 名词性惯用语
ng 名词性语素
nw 新词
# 2. 时间词(1个一类,1个二类)
t 时间词
tg 时间词性语素
# 3. 处所词(1个一类)
s 处所词
# 4. 方位词(1个一类)
f 方位词
# 5. 动词(1个一类,9个二类)
v 动词
vd 副动词
vn 名动词
vshi 动词“是”
vyou 动词“有”
vf 趋向动词
vx 形式动词
vi 不及物动词(内动词)
vl 动词性惯用语
vg 动词性语素
# 6. 形容词(1个一类,4个二类)
a 形容词
ad 副形词
an 名形词
ag 形容词性语素
al 形容词性惯用语
# 7. 区别词(1个一类,2个二类)
b 区别词
bl 区别词性惯用语
# 8. 状态词(1个一类)
z 状态词
# 9. 代词(1个一类,4个二类,6个三类)
r 代词
rr 人称代词
rz 指示代词
rzt 时间指示代词
rzs 处所指示代词
rzv 谓词性指示代词
ry 疑问代词
ryt 时间疑问代词
rys 处所疑问代词
ryv 谓词性疑问代词
rg 代词性语素
# 10. 数词(1个一类,1个二类)
m 数词
mq 数量词
# 11. 量词(1个一类,2个二类)
q 量词
qv 动量词
qt 时量词
# 12. 副词(1个一类)
d 副词
# 13. 介词(1个一类,2个二类)
p 介词
pba 介词“把”
pbei 介词“被”
# 14. 连词(1个一类,1个二类)
c 连词
 cc 并列连词
# 15. 助词(1个一类,15个二类)
u 助词
uzhe 着
ule 了 喽
uguo 过
ude1 的 底
ude2 地
ude3 得
usuo 所
udeng 等 等等 云云
uyy 一样 一般 似的 般
udh 的话
uls 来讲 来说 而言 说来
uzhi 之
ulian 连 (“连小学生都会”)
# 16. 叹词(1个一类)
e 叹词
# 17. 语气词(1个一类)
y 语气词(delete yg)
# 18. 拟声词(1个一类)
o 拟声词
# 19. 前缀(1个一类)
h 前缀
# 20. 后缀(1个一类)
k 后缀
# 21. 字符串(1个一类,2个二类)
x 字符串
 xx 非语素字
 xu 网址URL
# 22. 标点符号(1个一类,16个二类)
w 标点符号
wkz 左括号,全角:( 〔  [  {  《 【  〖〈   半角:( [ { <
wky 右括号,全角:) 〕  ] } 》  】 〗 〉 半角: ) ] { >
wyz 左引号,全角:“ ‘ 『 
wyy 右引号,全角:” ’ 』
wj 句号,全角:。
ww 问号,全角:? 半角:?
wt 叹号,全角:! 半角:!
wd 逗号,全角:, 半角:,
wf 分号,全角:; 半角: ;
wn 顿号,全角:、
wm 冒号,全角:: 半角: :
ws 省略号,全角:……  …
wp 破折号,全角:——   --   ——-   半角:---  ----
wb 百分号千分号,全角:% ‰   半角:%
wh 单位符号,全角:¥ $ £  °  ℃  半角:$

 

以上是关于基于ansj_seg的分词实现的主要内容,如果未能解决你的问题,请参考以下文章

Spark 使用ansj进行中文分词

java使用Ansj实现字符串分词

浅谈分词算法基于字的分词方法(CRF)

HMM的中文分词方法

Django全文检索实现:基于HayStack + Whoosh引擎 + Jieba中文分词

结巴分词--基于前缀词典及动态规划实现分词