Java分布式中文分词组件word分词v1.2发布
xg48 10年前
Java分布式中文分词组件 - word分词
word 分词是一个Java实现的分布式的中文分词组件，提供了多种基于词典的分词算法，并利用ngram模型来消除歧义。能准确识别英文、数字，以及日期、时间等数量词，能识别人名、地名、组织机构名等未登录词。同时提供了Lucene、Solr、ElasticSearch、Luke插件。
API在线文档：
Maven依赖：
在pom.xml中指定dependency，可用版本有1.0、1.1、1.2：
<dependencies> <dependency> <groupId>org.apdplat</groupId> <artifactId>word</artifactId> <version>1.2</version> </dependency> </dependencies> 分词使用方法：
1、快速体验 运行项目根目录下的脚本demo-word.bat可以快速体验分词效果 用法: command [text] [input] [output] 命令command的可选值为：demo、text、file demo text 杨尚川是APDPlat应用级产品开发平台的作者 file d:/text.txt d:/word.txt exit 2、对文本进行分词 移除停用词：List<Word> words = WordSegmenter.seg("杨尚川是APDPlat应用级产品开发平台的作者"); 保留停用词：List<Word> words = WordSegmenter.segWithStopWords("杨尚川是APDPlat应用级产品开发平台的作者"); System.out.println(words); 输出： 移除停用词：[杨尚川, apdplat, 应用级, 产品, 开发平台, 作者] 保留停用词：[杨尚川, 是, apdplat, 应用级, 产品, 开发平台, 的, 作者] 3、对文件进行分词 String input = "d:/text.txt"; String output = "d:/word.txt"; 移除停用词：WordSegmenter.seg(new File(input), new File(output)); 保留停用词：WordSegmenter.segWithStopWords(new File(input), new File(output)); 4、自定义配置文件 默认配置文件为类路径下的word.conf，打包在word-x.x.jar中 自定义配置文件为类路径下的word.local.conf，需要用户自己提供 如果自定义配置和默认配置相同，自定义配置会覆盖默认配置 配置文件编码为UTF-8 5、自定义用户词库 自定义用户词库为一个或多个文件夹或文件，可以使用绝对路径或相对路径 用户词库由多个词典文件组成，文件编码为UTF-8 词典文件的格式为文本文件，一行代表一个词 可以通过系统属性或配置文件的方式来指定路径，多个路径之间用逗号分隔开 类路径下的词典文件，需要在相对路径前加入前缀classpath: 指定方式有三种： 指定方式一，编程指定（高优先级）： WordConfTools.set("dic.path", "classpath:dic.txt，d:/custom_dic"); DictionaryFactory.reload();//更改词典路径之后，重新加载词典 指定方式二，Java虚拟机启动参数（中优先级）： java -Ddic.path=classpath:dic.txt，d:/custom_dic 指定方式三，配置文件指定（低优先级）： 使用类路径下的文件word.local.conf来指定配置信息 dic.path=classpath:dic.txt，d:/custom_dic 如未指定，则默认使用类路径下的dic.txt词典文件 6、自定义停用词词库 使用方式和自定义用户词库类似，配置项为： stopwords.path=classpath:stopwords.txt，d:/custom_stopwords_dic 7、自动检测词库变化 可以自动检测自定义用户词库和自定义停用词词库的变化 包含类路径下的文件和文件夹、非类路径下的绝对路径和相对路径 如： classpath:dic.txt，classpath:custom_dic_dir, d:/dic_more.txt，d:/DIC_DIR，D:/DIC2_DIR，my_dic_dir，my_dic_file.txt classpath:stopwords.txt，classpath:custom_stopwords_dic_dir， d:/stopwords_more.txt，d:/STOPWORDS_DIR，d:/STOPWORDS2_DIR，stopwords_dir，remove.txt 8、显式指定分词算法 对文本进行分词时，可显式指定特定的分词算法，如： WordSegmenter.seg("APDPlat应用级产品开发平台", SegmentationAlgorithm.BidirectionalMaximumMatching); SegmentationAlgorithm的可选类型为： 正向最大匹配算法：MaximumMatching 逆向最大匹配算法：ReverseMaximumMatching 正向最小匹配算法：MinimumMatching 逆向最小匹配算法：ReverseMinimumMatching 双向最大匹配算法：BidirectionalMaximumMatching 双向最小匹配算法：BidirectionalMinimumMatching 双向最大最小匹配算法：BidirectionalMaximumMinimumMatching 全切分算法：FullSegmentation 9、分词效果评估 运行项目根目录下的脚本evaluation.bat可以对分词效果进行评估 评估采用的测试文本有253 3709行，共2837 4490个字符 评估结果位于target/evaluation目录下： corpus-text.txt为分好词的人工标注文本，词之间以空格分隔 test-text.txt为测试文本，是把corpus-text.txt以标点符号分隔为多行的结果 standard-text.txt为测试文本对应的人工标注文本，作为分词是否正确的标准 result-text-***.txt，***为各种分词算法名称，这是word分词结果 perfect-result-***.txt，***为各种分词算法名称，这是分词结果和人工标注标准完全一致的文本 wrong-result-***.txt，***为各种分词算法名称，这是分词结果和人工标注标准不一致的文本 10、分布式中文分词器 1、在自定义配置文件word.conf或word.local.conf中指定所有的配置项*.path使用HTTP资源，同时指定配置项redis.* 2、配置并启动提供HTTP资源的web服务器，将项目：https://github.com/ysc/word_web部署到tomcat 3、配置并启动redis服务器 分词算法效果评估：
1：word分词 全切分算法： 分词速度：74.09025 字符/毫秒 行数完美率：58.79% 行数错误率：41.2% 总的行数：2533709 完美行数：1489713 错误行数：1043996 字数完美率：49.53% 字数错误率：50.46% 总的字数：28374490 完美字数：14054431 错误字数：14320059 2：word分词 双向最大最小匹配算法： 分词速度：321.05466 字符/毫秒 行数完美率：55.31% 行数错误率：44.68% 总的行数：2533709 完美行数：1401582 错误行数：1132127 字数完美率：45.83% 字数错误率：54.16% 总的字数：28374490 完美字数：13005696 错误字数：15368794 3：word分词 双向最大匹配算法： 分词速度：505.47778 字符/毫秒 行数完美率：52.01% 行数错误率：47.98% 总的行数：2533709 完美行数：1317801 错误行数：1215908 字数完美率：42.42% 字数错误率：57.57% 总的字数：28374490 完美字数：12038414 错误字数：16336076 4：word分词 双向最小匹配算法： 分词速度：699.2235 字符/毫秒 行数完美率：46.76% 行数错误率：53.23% 总的行数：2533709 完美行数：1185013 错误行数：1348696 字数完美率：36.52% 字数错误率：63.47% 总的字数：28374490 完美字数：10365168 错误字数：18009322 5：word分词 逆向最大匹配算法： 分词速度：1161.7462 字符/毫秒 行数完美率：46.72% 行数错误率：53.27% 总的行数：2533709 完美行数：1183913 错误行数：1349796 字数完美率：36.67% 字数错误率：63.32% 总的字数：28374490 完美字数：10407342 错误字数：17967148 6：word分词 正向最大匹配算法： 分词速度：1212.7405 字符/毫秒 行数完美率：46.66% 行数错误率：53.33% 总的行数：2533709 完美行数：1182351 错误行数：1351358 字数完美率：36.73% 字数错误率：63.26% 总的字数：28374490 完美字数：10422209 错误字数：17952281 7：word分词 逆向最小匹配算法： 分词速度：2134.7043 字符/毫秒 行数完美率：41.78% 行数错误率：58.21% 总的行数：2533709 完美行数：1058606 错误行数：1475103 字数完美率：31.68% 字数错误率：68.31% 总的字数：28374490 完美字数：8989797 错误字数：19384693 8：word分词 正向最小匹配算法： 分词速度：2237.03 字符/毫秒 行数完美率：36.85% 行数错误率：63.14% 总的行数：2533709 完美行数：933769 错误行数：1599940 字数完美率：26.85% 字数错误率：73.14% 总的字数：28374490 完美字数：7621334 错误字数：20753156 Lucene插件：
1、构造一个word分析器ChineseWordAnalyzer Analyzer analyzer = new ChineseWordAnalyzer(); 2、利用word分析器切分文本 TokenStream tokenStream = analyzer.tokenStream("text", "杨尚川是APDPlat应用级产品开发平台的作者"); while(tokenStream.incrementToken()){ CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class); System.out.println(charTermAttribute.toString()+" "+offsetAttribute.startOffset()); } 3、利用word分析器建立Lucene索引 Directory directory = new RAMDirectory(); IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_47, analyzer); IndexWriter indexWriter = new IndexWriter(directory, config); 4、利用word分析器查询Lucene索引 QueryParser queryParser = new QueryParser(Version.LUCENE_47, "text", analyzer); Query query = queryParser.parse("text:杨尚川"); TopDocs docs = indexSearcher.search(query, Integer.MAX_VALUE); Solr插件：
1、下载word-1.2.jar 下载地址：http://search.maven.org/remotecontent?filepath=org/apdplat/word/1.2/word-1.2.jar 2、创建目录solr-4.10.4/example/solr/lib，将word-1.2.jar复制到lib目录 3、配置schema指定分词器 将solr-4.10.4/example/solr/collection1/conf/schema.xml文件中所有的 <tokenizer class="solr.WhitespaceTokenizerFactory"/>和 <tokenizer class="solr.StandardTokenizerFactory"/>全部替换为 <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory"/> 并移除所有的filter标签 4、如果需要使用特定的分词算法： <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching"/> segAlgorithm可选值有： 正向最大匹配算法：MaximumMatching 逆向最大匹配算法：ReverseMaximumMatching 正向最小匹配算法：MinimumMatching 逆向最小匹配算法：ReverseMinimumMatching 双向最大匹配算法：BidirectionalMaximumMatching 双向最小匹配算法：BidirectionalMinimumMatching 双向最大最小匹配算法：BidirectionalMaximumMinimumMatching 全切分算法：FullSegmentation 如不指定，默认使用双向最大匹配算法：BidirectionalMaximumMatching 5、如果需要指定特定的配置文件： <tokenizer class="org.apdplat.word.solr.ChineseWordTokenizerFactory" segAlgorithm="ReverseMinimumMatching" conf="C:/solr-4.10.4/example/solr/nutch/conf/word.local.conf"/> word.local.conf文件中可配置的内容见 word-1.2.jar 中的word.conf文件 如不指定，使用默认配置文件，位于 word-1.2.jar 中的word.conf文件 ElasticSearch插件：
1、打开命令行并切换到elasticsearch的bin目录 cd elasticsearch-1.5.1/bin 2、运行plugin脚本安装word分词插件： ./plugin -u http://apdplat.org/word/archive/v1.2.zip -i word 3、修改文件elasticsearch-1.5.1/config/elasticsearch.yml，新增如下配置： index.analysis.analyzer.default.type : "word" index.analysis.tokenizer.default.type : "word" 4、启动ElasticSearch测试效果，在Chrome浏览器中访问： http://localhost:9200/_analyze?analyzer=word&text=杨尚川是APDPlat应用级产品开发平台的作者 5、自定义配置 修改配置文件elasticsearch-1.5.1/plugins/word/word.local.conf 6、指定分词算法 修改文件elasticsearch-1.5.1/config/elasticsearch.yml，新增如下配置： index.analysis.analyzer.default.segAlgorithm : "ReverseMinimumMatching" index.analysis.tokenizer.default.segAlgorithm : "ReverseMinimumMatching" 这里segAlgorithm可指定的值有： 正向最大匹配算法：MaximumMatching 逆向最大匹配算法：ReverseMaximumMatching 正向最小匹配算法：MinimumMatching 逆向最小匹配算法：ReverseMinimumMatching 双向最大匹配算法：BidirectionalMaximumMatching 双向最小匹配算法：BidirectionalMinimumMatching 双向最大最小匹配算法：BidirectionalMaximumMinimumMatching 全切分算法：FullSegmentation 如不指定，默认使用双向最大匹配算法：BidirectionalMaximumMatching Luke插件：
1、下载http://luke.googlecode.com/files/lukeall-4.0.0-ALPHA.jar（国内不能访问） 2、下载并解压Java中文分词组件word-1.0-bin.zip：http://pan.baidu.com/s/1dDziDFz 3、将解压后的 Java中文分词组件word-1.0-bin/word-1.0 文件夹里面的4个jar包解压到当前文件夹 用压缩解压工具如winrar打开lukeall-4.0.0-ALPHA.jar，将当前文件夹里面除了.jar、.bat、.html 文件外的其他所有文件拖到lukeall-4.0.0-ALPHA.jar里面 4、执行命令 java -jar lukeall-4.0.0-ALPHA.jar 启动luke，在Search选项卡的Analysis里面 就可以选择 org.apdplat.word.lucene.ChineseWordAnalyzer 分词器了 5、在Plugins选项卡的Available analyzers found on the current classpath里面也可以选择 org.apdplat.word.lucene.ChineseWordAnalyzer 分词器 已经集成好的Luke插件下载：lukeall-4.0.0-ALPHA-with-word-1.0.jar
词向量：
从大规模语料中统计一个词的上下文相关词，并用这些上下文相关词组成的向量来表达这个词。 通过计算词向量的相似性，即可得到词的相似性。 相似性的假设是建立在如果两个词的上下文相关词越相似，那么这两个词就越相似这个前提下的。 通过运行项目根目录下的脚本demo-word-vector-corpus.bat来体验word项目自带语料库的效果 如果有自己的文本内容，可以使用脚本demo-word-vector-file.bat来对文本分词、建立词向量、计算相似性 分词算法文章：
6、Java开源项目cws_evaluation：中文分词器分词效果评估
自 1.0之后，在1.1和1.2中，word分词有了重大改进，优化了分词算法、利用多线程提升分词速度、支持分布式、支持资源变化自动检测、新增了全切分算法、支持三元模型、支持Luke插件、增加gradle支持等等，同时，word1.2支持最新的ElasticSearch1.5.1、 Lucene4.10.4、Solr4.10.4以及Luke4.0。
更多细节请查看：word分词主页
word分词的分词效果怎么样？请看：Java开源项目cws_evaluation：中文分词器分词效果评估