SpringBoot + HanLP 轻松搞定 Java 中的分词、文本推荐、语义提取等自然语言处理问题

2018-11-01 07:23:35 +08:00
 hansonwang99

本文共 782 字,阅读大约需要 2 分钟 !


概 述

HanLP 是基于 Java 开发的 NLP 工具包,由一系列模型与算法组成,目标是普及自然语言处理在生产环境中的应用。而且 HanLP 具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点,因此十分好上手,本文就结合 Spring Boot 来将 HanLP 用起来!

注: 本文首发于 My Personal Blog:CodeSheep·程序羊,欢迎光临 小站

本文内容脑图如下:


下载 HanLP 数据和程序

由于 HanLP 库将数据与代码分离,因此我们需要分别下载所需数据和 jar 包:


工程搭建

下载完成以后,首先解压 hanlp-release.zip压缩包,然后将解压出的 HanLP 的 jar 包引入 Spring Boot 工程,然后需要来放置 HanLP 所需配置和数据:

  1. 将解压后 hanlp-release.zip压缩包中的 hanlp.properties配置文件置于项目的 resources资源目录下

  2. 然后解压 data.zip压缩包,将解压出的 data 目录同样至于 resources目录下( data 中的数据包很重要,是 HanLP 工作所需的词典和模型 )


创建 IO 适配器

HanLP 提供了 IO 适配器,用户可以实现其提供的 com.hankcs.hanlp.corpus.io.IIOAdapter 接口以在不同的平台( HDFS、Redis 等)上运行 HanLP,默认的 IO 适配器 IOAdapter = com.hankcs.hanlp.corpus.io.FileIOAdapter 是基于普通文件系统的。

接下来我们重写一下 IOAdapter类,使用读写静态资源文件的方法来读取 HanLP 所需的词典和模型数据( 即 resources 目录下刚放置的 data 目录 )

public class ResourceFileIoAdapter implements IIOAdapter {
    @Override
    public InputStream open(String path) throws IOException {
        ClassPathResource resource = new ClassPathResource( path );
        InputStream is = new FileInputStream( resource.getFile() );
        return is;
    }

    @Override
    public OutputStream create(String path) throws IOException {
        ClassPathResource resource = new ClassPathResource( path );
        OutputStream os = new FileOutputStream( resource.getFile() );
        return os;
    }
}

然后我们配置一下 HanLP 的配置文件 hanlp.properties,有两处需要改为以下配置:

root=   // 我们不再需要这种指定 data 目录的方式
IOAdapter=cn.codesheep.springbt_hanlp_userdefine.config.ResourceFileIoAdapter // 指定自定义的 IOAdapter

好,现在项目就可以工作了,我们接下来写几个测试用例测试体验一把 !


实验测试

随便写几个例子来感受一番:

@Test
public void testSegment() {
	System.out.println( HanLP.segment("www.codesheep.cn 是一个技术博客!") );
}

分词结果如下:

[www/nx, ./w, codesheep/nx, ./w, cn/nx, 是 /vshi, 一个 /mq, 技术 /n, 博客 /n, !/w]

每个词段后的 /nx/w之类的是 HanLP 定义的词性,可以去看 HanLP 的接口来获取详情

@Test
public void testSuggest() {
    Suggester suggester = new Suggester();
    String[] titleArray =
            (
                    "威廉王子发表演说 呼吁保护野生动物\n" +
                            "《时代》年度人物最终入围名单出炉 普京马云入选\n" +
                            "“黑格比”横扫菲:菲吸取“海燕”经验及早疏散\n" +
                            "日本保密法将正式生效 日媒指其损害国民知情权\n" +
                            "人工智能如今是非常火热的一门技术”"
            ).split("\\n");
    for (String title : titleArray)
    {
        suggester.addSentence(title);
    }

    System.out.println(suggester.suggest("机器学习", 1));   // 语义
    System.out.println(suggester.suggest("危机公共", 1));   // 字符
    System.out.println(suggester.suggest("mayun", 1));     // 拼音
}

三个关键字的语句推荐结果为:

机器学习  →  [人工智能如今是非常火热的一门技术”]
危机公共  →  [威廉王子发表演说 呼吁保护野生动物]
mayun     →  [《时代》年度人物最终入围名单出炉 普京马云入选]
@Test
public void testKeyExtract() {
    String content = "苹果公司( Apple Inc. )是美国一家高科技公司。由史蒂夫·乔布斯、斯蒂夫·沃兹尼亚克和罗·韦恩(Ron Wayne)等人于 1976 年 4 月 1 日创立," +
            "并命名为美国苹果电脑公司( Apple Computer Inc. ),2007 年 1 月 9 日更名为苹果公司,总部位于加利福尼亚州的库比蒂诺。";
    List<String> keywordList = HanLP.extractKeyword(content, 5);
    System.out.println(keywordList);
}

提取结果为:

[公司, 苹果, 美国, Inc, Apple]

体验一番我们发现其自带的模型、字典等数据给出的实验效果已经是非常不错了,而且用户还可以自定义或修改 data 目录下的模型、字典等数据来满足特定需求,因此还是十分强大的。


后 记

由于能力有限,若有错误或者不当之处,还请大家批评指正,一起学习交流!



9297 次点击
所在节点    程序员
8 条回复
youngxhui
2018-11-01 07:58:32 +08:00
目前正在做语言分析,也需要分词,先把这个库记下来,有时间对比一下和其他库。😂
hansonwang99
2018-11-01 08:08:16 +08:00
@youngxhui 到时候也麻烦分享一下呢
Le4fun
2018-11-01 08:46:55 +08:00
感谢分享
ryougifujino
2018-11-01 08:52:35 +08:00
hanlp 简繁转换的时候用过,台湾和香港繁体都有对应的吧本地化,感觉不错
Sypher
2018-11-01 09:15:43 +08:00
感谢分享❤
ke1e
2018-11-01 09:40:15 +08:00
感谢分享
hansonwang99
2018-11-01 09:42:32 +08:00
也希望大佬们给出你们的用的库呀,一起分享才有成长呀
zhaogaz
2018-11-01 10:52:16 +08:00
额,我旁边同事就在做 springboot+hanlp

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/503247

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX