（1）英文分词——波特词干提取算法
来源：互联网 发布：淘宝虚拟商品开店方法 编辑：程序博客网 时间：2024/04/19 16:20
英文分词相比中文分词要简单得多，可以根据空格和标点符号来分词，然后对每一个单词进行词干还原和词形还原，去掉停用词和非英文内容。词干还原算法最经典的就是波特算法(Porter Algorithm官网http://tartarus.org/~martin/PorterStemmer/ )
Java版的波特词干提取算法代码如下:
import java.io.*;/*** 实现波特词干提取算法，将一个单词转换为它的原型。*/class PorterStemmer{ private char[] b; /* 用来存待词干提取的单词（以char的形式） */ private int i, /* b中的元素位置（偏移量） */ i_end, /* 要抽取词干单词的结束位置 */ j, k; private static final int INC = 50;/* 随着b的大小增加数组要增长的长度（防止溢出） */ public PorterStemmer(){ b = new char[INC]; i = 0; i_end = 0; } /** * 增加一个字符到要存放待处理的单词的数组。添加完字符时， * 可以调用stem(void)方法来进行抽取词干的工作。 * @param ch 字符 */ public void add(char ch){ if (i == b.length){ char[] new_b = new char[i+INC]; for (int c = 0; c < i; c++) new_b[c] = b[c]; b = new_b; } b[i++] = ch; } /** * 增加字符数组ch到存放待处理的单词的数组b * @param ch 字符数组 */ public void add(char[] ch){ add(ch,ch.length); } /** * 增加wLen长度的字符数组到存放待处理的单词的数组b。 * @param w 字符数组 * @param wLen 数组长度 */ public void add(char[] w, int wLen){ if (i+wLen >= b.length){ char[] new_b = new char[i+wLen+INC]; for (int c = 0; c < i; c++) new_b[c] = b[c]; b = new_b; } for (int c = 0; c < wLen; c++) b[i++] = w[c]; } /** * 返回单词的词干。 */ public String toString() { return new String(b,0,i_end); } /** * 返回单词的词干的长度 */ public int getResultLength() { return i_end; } /** * 返回单词的词干char[] */ public char[] getResultBuffer() { return b; } /** * cons(i)：参数i：int型；返回值bool型。当i为辅音时，返回真；否则为假 * @param i b数组下标 * @return cons(i) 为真 <=> b[i] 是一个辅音 */ private final boolean cons(int i){ switch (b[i]){ case 'a': case 'e': case 'i': case 'o': case 'u': return false; //y开头，为辅；否则看i-1位，如果i-1位为辅，y为元，反之亦然。 case 'y': return (i==0) ? true : !cons(i-1); default: return true; } } /** */ /** * m()：返回值：int型。表示单词b介于0和j之间辅音序列的个数。 * 现假设c代表辅音序列，而v代表元音序列。<..>表示任意存在。于是有如下定义： <c><v> 结果为 0 <c>vc<v> 结果为 1 <c>vcvc<v> 结果为 2 <c>vcvcvc<v> 结果为 3 .... * @return 单词b介于0和j之间辅音序列的个数 */ private final int m(){ int n = 0;//辅音序列的个数，初始化 int i = 0;//偏移量 //<c> while(true){ if (i > j) return n;//如果超出最大偏移量，直接返回n if (!cons(i)) break; //如果是元音，中断 i++; //辅音移一位，直到元音的位置 } i++;//移完辅音，从元音的第一个字符开始 while(true){ //循环计算vc的个数 //<v> while(true){ //循环判断v if (i > j) return n; if (cons(i)) break; //出现辅音则终止循环 i++; } i++; n++; //<c> while(true){ //循环判断c if (i > j) return n; if (!cons(i)) break; i++; } i++; } } /** * vowelinstem()：返回值：bool型。表示单词b介于0到i之间是否存在元音。 * @return vowelinstem() 为真 <=> 0,...j 包含一个元音 */ private final boolean vowelinstem(){ int i; for (i = 0; i <= j; i++) if (!cons(i)) return true; return false; } /** * doublec(j)：参数j：int型；返回值bool型。 * 这个函数用来表示在j和j-1位置上的两个字符是否是相同的辅音。 * @param j 数组b的下标 * @return doublec(j) 为真 <=> j,(j-1) 包含两个一样的辅音 */ private final boolean doublec(int j){ if (j < 1) return false; if (b[j] != b[j-1]) return false; return cons(j); } /** * cvc(i)：参数i：int型；返回值bool型。 * 对于i，i-1，i-2位置上的字符，它们是“辅音-元音-辅音”的形式， * 并且对于第二个辅音，它不能为w、x、y中的一个。 * 这个函数用来处理以e结尾的短单词。比如说cav(e)，lov(e)，hop(e)，crim(e)。 * 但是像snow，box，tray就不符合条件。 * @param i 下标 * @return boolean */ private final boolean cvc(int i){ if (i < 2 || !cons(i) || cons(i-1) || !cons(i-2)) return false; else{ int ch = b[i]; if (ch == 'w' || ch == 'x' || ch == 'y') return false; } return true; } /** * ends(s)：参数：String；返回值：bool型。用于判断b是否以s结尾。 * @param s 字符串 * @return 判断b是否以s结尾 */ private final boolean ends(String s){ int l = s.length(); int o = k-l+1; if (o < 0) return false; for (int i = 0; i < l; i++) if (b[o+i] != s.charAt(i)) return false; j = k-l; return true; } /** * 把b在(j+1)...k位置上的字符设为s，同时，调整k的大小 * @param s 字符串 */ private final void setto(String s){ int l = s.length(); int o = j+1; for (int i = 0; i < l; i++) b[o+i] = s.charAt(i); k = j+l; } /** * 在m()>0的情况下，调用setto(s)。 * @param s 字符串 */ private final void r(String s) { if (m() > 0) setto(s); } //分六步来进行处理的过程 /** step1() 处理复数，以及ed和ing结束的单词。比如： caresses -> caress ponies -> poni ties -> ti caress -> caress cats -> cat feed -> feed agreed -> agree disabled -> disable matting -> mat mating -> mate meeting -> meet milling -> mill messing -> mess meetings -> meet */ private final void step1(){ if (b[k] == 's'){ if (ends("sses")) k -= 2; //以“sses结尾” else if (ends("ies")) setto("i"); //以ies结尾，置为i else if (b[k-1] != 's') k--;//两个s结尾不处理 } if (ends("eed")) { //以“eed”结尾，当m>0时，左移一位 if (m() > 0) k--; } else if ((ends("ed") || ends("ing")) && vowelinstem()){ k = j; if (ends("at")) setto("ate"); else if (ends("bl")) setto("ble"); else if (ends("iz")) setto("ize"); else if (doublec(k)){ //如果有两个相同辅音 k--; int ch = b[k]; if (ch == 'l' || ch == 's' || ch == 'z') k++; } else if (m() == 1 && cvc(k)) setto("e"); } } /** step2() 如果单词中包含元音，并且以y结尾，将y改为i */ private final void step2() { if (ends("y") && vowelinstem()){ b[k] = 'i'; } } /** step3() 将双后缀的单词映射为单后缀。 * 所以 -ization ( = -ize 加上 -ation) 被映射到 -ize 等等。 * 注意在去除后缀之前必须确保m()>0. */ private final void step3() { if (k == 0) return; switch (b[k-1]){ case 'a': if (ends("ational")) { r("ate"); break; } if (ends("tional")) { r("tion"); break; } break; case 'c': if (ends("enci")) { r("ence"); break; } if (ends("anci")) { r("ance"); break; } break; case 'e': if (ends("izer")) { r("ize"); break; } break; case 'l': if (ends("bli")) { r("ble"); break; } if (ends("alli")) { r("al"); break; } if (ends("entli")) { r("ent"); break; } if (ends("eli")) { r("e"); break; } if (ends("ousli")) { r("ous"); break; } break; case 'o': if (ends("ization")) { r("ize"); break; } if (ends("ation")) { r("ate"); break; } if (ends("ator")) { r("ate"); break; } break; case 's': if (ends("alism")) { r("al"); break; } if (ends("iveness")) { r("ive"); break; } if (ends("fulness")) { r("ful"); break; } if (ends("ousness")) { r("ous"); break; } break; case 't': if (ends("aliti")) { r("al"); break; } if (ends("iviti")) { r("ive"); break; } if (ends("biliti")) { r("ble"); break; } break; case 'g': if (ends("logi")) { r("log"); break; } } } /** step4() 处理-ic-，-full，-ness等等后缀。和步骤3有着类似的处理 */ private final void step4() { switch (b[k]){ case 'e': if (ends("icate")) { r("ic"); break; } if (ends("ative")) { r(""); break; } if (ends("alize")) { r("al"); break; } break; case 'i': if (ends("iciti")) { r("ic"); break; } break; case 'l': if (ends("ical")) { r("ic"); break; } if (ends("ful")) { r(""); break; } break; case 's': if (ends("ness")) { r(""); break; } break; } } /** step5() 在<c>vcvc<v>情形下，去除-ant，-ence等后缀。 */ private final void step5(){ if (k == 0) return; /* for Bug 1 */ switch (b[k-1]){ case 'a': if (ends("al")) break; return; case 'c': if (ends("ance")) break; if (ends("ence")) break; return; case 'e': if (ends("er")) break; return; case 'i': if (ends("ic")) break; return; case 'l': if (ends("able")) break; if (ends("ible")) break; return; case 'n': if (ends("ant")) break; if (ends("ement")) break; if (ends("ment")) break; /* element etc. not stripped before the m */ if (ends("ent")) break; return; case 'o': if (ends("ion") && j >= 0 && (b[j] == 's' || b[j] == 't')) break; /* j >= 0 fixes Bug 2 */ if (ends("ou")) break; return; /* takes care of -ous */ case 's': if (ends("ism")) break; return; case 't': if (ends("ate")) break; if (ends("iti")) break; return; case 'u': if (ends("ous")) break; return; case 'v': if (ends("ive")) break; return; case 'z': if (ends("ize")) break; return; default: return; } if (m() > 1) k = j; } /** step6() 在m()>1的情况下，移除末尾的“e”。*/ private final void step6(){ j = k; if (b[k] == 'e'){ int a = m(); if (a > 1 || a == 1 && !cvc(k-1)) k--; } if (b[k] == 'l' && doublec(k) && m() > 1) k--; } /** 通过调用add()方法来将单词放入词干器数组b中 * 可以通过下面的方法得到结果： getResultLength()+getResultBuffer() or toString(). */ public void stem(){ k = i - 1; if (k > 1) { step1(); step2(); step3(); step4(); step5(); step6(); } i_end = k+1; i = 0; } /** * Test program for demonstrating the Stemmer. It reads text from a * a list of files, stems each word, and writes the result to standard * output. Note that the word stemmed is expected to be in lower case: * forcing lower case must be done outside the Stemmer class. * Usage: Stemmer file-name file-name ... * @param args file-name file-name ... */ public static void main(String[] args){ char[] w = new char[501]; PorterStemmer s = new PorterStemmer(); for (int i = 0; i < args.length; i++) try{ FileInputStream in = new FileInputStream(args[i]); try{ while(true){ int ch = in.read(); if (Character.isLetter((char) ch)){ int j = 0; while(true){ ch = Character.toLowerCase((char) ch); w[j] = (char) ch; if (j < 500) j++; ch = in.read(); if (!Character.isLetter((char) ch)){ //to test add(char ch) for (int c = 0; c < j; c++) s.add(w[c]); //or, to test add(char[] w, int j) // s.add(w, j); s.stem(); String u; //and now, to test toString() : u = s.toString(); //to test getResultBuffer(), getResultLength() : //u = new String(s.getResultBuffer(), 0, s.getResultLength()); System.out.print(u); break; } } } if (ch < 0) break; System.out.print((char)ch); } }catch (IOException e){ System.out.println("error reading " + args[i]); break; } }catch (FileNotFoundException e){ System.out.println("file " + args[i] + " not found"); break; } } /** * 对某个单词进行词干提取，返回词干 * @param s 单词字符串 * @return 词干 */ public String stem(String s){ char[] ch=s.toLowerCase().toCharArray(); add(ch); stem(); return toString(); } /**对一系列文本中的所有单词stemming * @param stemFile 待stemming的文本文件路径组成的字符串数组 */ /** * * @param stemFile * @throws IOException */ public static void porterMain(String[] stemFile) throws IOException{ char[] w = new char[501]; PorterStemmer s = new PorterStemmer(); for (int i = 0; i < stemFile.length; i++) try{ FileInputStream in = new FileInputStream(stemFile[i]); FileWriter targetFileWriter = new FileWriter(stemFile[i] + "stemed"); try{ while(true){ int ch = in.read(); if (Character.isLetter((char) ch)){ int j = 0; while(true){ ch = Character.toLowerCase((char) ch); w[j] = (char) ch; if (j < 500) j++; ch = in.read(); if (!Character.isLetter((char) ch)){ /* to test add(char ch) */ for (int c = 0; c < j; c++) s.add(w[c]); /* or, to test add(char[] w, int j) */ /* s.add(w, j); */ s.stem(); String u; /* and now, to test toString() : */ u = s.toString(); /* to test getResultBuffer(), getResultLength() : */ /* u = new String(s.getResultBuffer(), 0, s.getResultLength()); */ //System.out.print(u); targetFileWriter.write(u + "\n"); break; } } } if (ch < 0) break; System.out.print((char)ch); } targetFileWriter.close(); }catch (IOException e){ System.out.println("error reading " + stemFile[i]); break; } }catch (FileNotFoundException e){ System.out.println("file " + stemFile[i] + " not found"); break; } }}参考自：http://blog.csdn.net/noobzc1/article/details/8902881
0 0
- （1）英文分词——波特词干提取算法
- 英文分词+提取词干
- 一个后缀剥离算法（波特词干提取算法论文）
- [搜索]波特词干（Porter Streamming）提取算法详解（1）
- 波特词干算法
- 波特词干算法
- 波特词干算法
- 波特词干算法
- 波特词干算法
- 波特词干算法
- [搜索]波特词干（Porter Streamming）提取算法详解（2）
- [搜索]波特词干（Porter Streamming）提取算法详解（3）
- 第1、2章 分词、词干提取
- 英文单词词干提取算法
- 【英文分词】Stemming Segmentation，基于词干分词
- Porter Algorithm ---------词干提取算法
- Porter Algorithm ---------词干提取算法
- 词干提取算法Porter Stemming Algorithm解读
- ImageView里面的图片实现同时移动缩放旋转 photoView自定义
- NSURLConnection使用详解
- UESTC758(贪心)
- 算法导论：第15章 动态规划_5最优二叉搜索树
- Java中Serializable接口和Cloneable接口
- （1）英文分词——波特词干提取算法
- 深复制VS浅复制（MemberwiseClone方法介绍）
- Java 注解原理以及实例
- PAT 乙级 1009.说反话
- 夯实基础——从键盘输入的两种方式
- 修改svn中的文件名
- Starting httpd: httpd: apr_sockaddr_info_get() failed for subversion
- （2）中文分词——基于词典的方法
- 二叉排序树的查询、插入的递归和非递归代码
