10大Java开源中文分词器的使用方法和分词效果对比

原文地址：http://my.oschina.net/apdplat/blog/412921

本文的目标有两个：

1、学会使用10大Java开源中文分词器

2、对比分析10 大Java开源中文分词器的分词效果

本文给出了10大Java开源中文分词的使用方法以及分词结果对比代码，至于效果哪个好，那要用的人结合自己的应用场景自己来判断。

10大Java开源中文分词器，不同的分词器有不同的用法，定义的接口也不一样， 我们先定义一个统一的接口：

/** * 获取文本的所有分词结果, 对比不同分词器结果 * @author 杨尚川 */public interface WordSegmenter {    /**     * 获取文本的所有分词结果     * @param text 文本     * @return 所有的分词结果，去除重复     */    default public Set<String> seg(String text) {        return segMore(text).values().stream().collect(Collectors.toSet());    }    /**     * 获取文本的所有分词结果     * @param text 文本     * @return 所有的分词结果，KEY 为分词器模式，VALUE 为分词器结果     */    public Map<String, String> segMore(String text);}

从上面的定义我们知道，在Java中，同样的方法名称和参数，但是返回值不同，这种情况不可以使用重载。

这两个方法的区别在于返回值，每一个分词器都可能有多种分词模式，每种模式的分词结果都可能不相同，第一个方法忽略分词器模式，返回所有模式的所有不重复分词结果，第二个方法返回每一种分词器模式及其对应的分词结果。

在这里，需要注意的是我们使用了Java8中的新特性默认方法，并使用stream把一个map的value转换为不重复的集合。

下面我们利用这10大分词器来实现这个接口：

1、word分词器

@Overridepublic Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  for(SegmentationAlgorithm segmentationAlgorithm : SegmentationAlgorithm.values()){    map.put(segmentationAlgorithm.getDes(), seg(text, segmentationAlgorithm));  }  return map;}private static String seg(String text, SegmentationAlgorithm segmentationAlgorithm) {  StringBuilder result = new StringBuilder();  for(Word word : WordSegmenter.segWithStopWords(text, segmentationAlgorithm)){    result.append(word.getText()).append(" ");  }  return result.toString();}

2、Ansj分词器

@Overridepublic Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  StringBuilder result = new StringBuilder();  for(Term term : BaseAnalysis.parse(text)){    result.append(term.getName()).append(" ");  }  map.put("BaseAnalysis", result.toString());  result.setLength(0);  for(Term term : ToAnalysis.parse(text)){    result.append(term.getName()).append(" ");  }  map.put("ToAnalysis", result.toString());  result.setLength(0);  for(Term term : NlpAnalysis.parse(text)){    result.append(term.getName()).append(" ");  }  map.put("NlpAnalysis", result.toString());  result.setLength(0);  for(Term term : IndexAnalysis.parse(text)){    result.append(term.getName()).append(" ");  }  map.put("IndexAnalysis", result.toString());  return map;}

3、Stanford分词器

private static final StanfordCoreNLP CTB = new StanfordCoreNLP("StanfordCoreNLP-chinese-ctb");private static final StanfordCoreNLP PKU = new StanfordCoreNLP("StanfordCoreNLP-chinese-pku");private static final PrintStream NULL_PRINT_STREAM = new PrintStream(new NullOutputStream(), false);public Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  map.put("Stanford Beijing University segmentation", seg(PKU, text));  map.put("Stanford Chinese Treebank segmentation", seg(CTB, text));  return map;}private static String seg(StanfordCoreNLP stanfordCoreNLP, String text){  PrintStream err = System.err;  System.setErr(NULL_PRINT_STREAM);  Annotation document = new Annotation(text);  stanfordCoreNLP.annotate(document);  List<CoreMap> sentences = document.get(CoreAnnotations.SentencesAnnotation.class);  StringBuilder result = new StringBuilder();  for(CoreMap sentence: sentences) {    for (CoreLabel token: sentence.get(CoreAnnotations.TokensAnnotation.class)) {      String word = token.get(CoreAnnotations.TextAnnotation.class);;      result.append(word).append(" ");    }  }  System.setErr(err);  return result.toString();}

4、FudanNLP分词器

private static CWSTagger tagger = null;static{  try{    tagger = new CWSTagger("lib/fudannlp_seg.m");    tagger.setEnFilter(true);  }catch(Exception e){    e.printStackTrace();  }}@Overridepublic Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  map.put("FudanNLP", tagger.tag(text));  return map;}

5、Jieba分词器

private static final JiebaSegmenter JIEBA_SEGMENTER = new JiebaSegmenter();@Overridepublic Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  map.put("INDEX", seg(text, SegMode.INDEX));  map.put("SEARCH", seg(text, SegMode.SEARCH));  return map;}private static String seg(String text, SegMode segMode) {  StringBuilder result = new StringBuilder();  for(SegToken token : JIEBA_SEGMENTER.process(text, segMode)){    result.append(token.word.getToken()).append(" ");  }  return result.toString(); }

6、Jcseg分词器

private static final JcsegTaskConfig CONFIG = new JcsegTaskConfig();private static final ADictionary DIC = DictionaryFactory.createDefaultDictionary(CONFIG);static {  CONFIG.setLoadCJKSyn(false);  CONFIG.setLoadCJKPinyin(false);}@Overridepublic Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  map.put("复杂模式", segText(text, JcsegTaskConfig.COMPLEX_MODE));  map.put("简易模式", segText(text, JcsegTaskConfig.SIMPLE_MODE));  return map;}private String segText(String text, int segMode) {  StringBuilder result = new StringBuilder();  try {    ISegment seg = SegmentFactory.createJcseg(segMode, new Object[]{new StringReader(text), CONFIG, DIC});    IWord word = null;    while((word=seg.next())!=null) {       result.append(word.getValue()).append(" ");    }  } catch (Exception ex) {    throw new RuntimeException(ex);  }  return result.toString();}

7、MMSeg4j分词器

private static final Dictionary DIC = Dictionary.getInstance();private static final SimpleSeg SIMPLE_SEG = new SimpleSeg(DIC);private static final ComplexSeg COMPLEX_SEG = new ComplexSeg(DIC);private static final MaxWordSeg MAX_WORD_SEG = new MaxWordSeg(DIC);@Overridepublic Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  map.put(SIMPLE_SEG.getClass().getSimpleName(), segText(text, SIMPLE_SEG));  map.put(COMPLEX_SEG.getClass().getSimpleName(), segText(text, COMPLEX_SEG));  map.put(MAX_WORD_SEG.getClass().getSimpleName(), segText(text, MAX_WORD_SEG));  return map;}private String segText(String text, Seg seg) {  StringBuilder result = new StringBuilder();  MMSeg mmSeg = new MMSeg(new StringReader(text), seg);  try {    Word word = null;    while((word=mmSeg.next())!=null) {         result.append(word.getString()).append(" ");    }  } catch (IOException ex) {    throw new RuntimeException(ex);  }  return result.toString();}

8、IKAnalyzer分词器

@Overridepublic Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  map.put("智能切分", segText(text, true));  map.put("细粒度切分", segText(text, false));  return map;}private String segText(String text, boolean useSmart) {  StringBuilder result = new StringBuilder();  IKSegmenter ik = new IKSegmenter(new StringReader(text), useSmart);  try {    Lexeme word = null;    while((word=ik.next())!=null) {        result.append(word.getLexemeText()).append(" ");    }  } catch (IOException ex) {    throw new RuntimeException(ex);  }  return result.toString();}

9、Paoding分词器

private static final PaodingAnalyzer ANALYZER = new PaodingAnalyzer();@Overridepublic Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  map.put("MOST_WORDS_MODE", seg(text, PaodingAnalyzer.MOST_WORDS_MODE));  map.put("MAX_WORD_LENGTH_MODE", seg(text, PaodingAnalyzer.MAX_WORD_LENGTH_MODE));  return map;}private static String seg(String text, int mode){  ANALYZER.setMode(mode);  StringBuilder result = new StringBuilder();  try {    Token reusableToken = new Token();    TokenStream stream = ANALYZER.tokenStream("", new StringReader(text));    Token token = null;    while((token = stream.next(reusableToken)) != null){      result.append(token.term()).append(" ");    }  } catch (Exception ex) {    throw new RuntimeException(ex);  }  return result.toString();  }

10、smartcn分词器

private static final SmartChineseAnalyzer SMART_CHINESE_ANALYZER = new SmartChineseAnalyzer();@Overridepublic Map<String, String> segMore(String text) {  Map<String, String> map = new HashMap<>();  map.put("smartcn", segText(text));  return map;}private static String segText(String text) {  StringBuilder result = new StringBuilder();  try {    TokenStream tokenStream = SMART_CHINESE_ANALYZER.tokenStream("text", new StringReader(text));    tokenStream.reset();    while (tokenStream.incrementToken()){      CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);      result.append(charTermAttribute.toString()).append(" ");    }    tokenStream.close();  }catch (Exception e){    e.printStackTrace();  }  return result.toString();}

现在我们已经实现了本文的第一个目的：学会使用10大Java开源中文分词器。

最后我们来实现本文的第二个目的：对比分析 10 大Java开源中文分词器的分词效果，程序如下：

public static Map<String, Set<String>> contrast(String text){  Map<String, Set<String>> map = new LinkedHashMap<>();  map.put("word分词器", new WordEvaluation().seg(text));  map.put("Stanford分词器", new StanfordEvaluation().seg(text));  map.put("Ansj分词器", new AnsjEvaluation().seg(text));  map.put("FudanNLP分词器", new FudanNLPEvaluation().seg(text));  map.put("Jieba分词器", new JiebaEvaluation().seg(text));  map.put("Jcseg分词器", new JcsegEvaluation().seg(text));  map.put("MMSeg4j分词器", new MMSeg4jEvaluation().seg(text));  map.put("IKAnalyzer分词器", new IKAnalyzerEvaluation().seg(text));  map.put("Paoding分词器", new PaodingEvaluation().seg(text));  map.put("smartcn分词器", new SmartCNEvaluation().seg(text));  return map;}public static Map<String, Map<String, String>> contrastMore(String text){  Map<String, Map<String, String>> map = new LinkedHashMap<>();  map.put("word分词器", new WordEvaluation().segMore(text));  map.put("Stanford分词器", new StanfordEvaluation().segMore(text));  map.put("Ansj分词器", new AnsjEvaluation().segMore(text));  map.put("FudanNLP分词器", new FudanNLPEvaluation().segMore(text));  map.put("Jieba分词器", new JiebaEvaluation().segMore(text));  map.put("Jcseg分词器", new JcsegEvaluation().segMore(text));  map.put("MMSeg4j分词器", new MMSeg4jEvaluation().segMore(text));  map.put("IKAnalyzer分词器", new IKAnalyzerEvaluation().segMore(text));  map.put("Paoding分词器", new PaodingEvaluation().segMore(text));  map.put("smartcn分词器", new SmartCNEvaluation().segMore(text));  return map;}public static void show(Map<String, Set<String>> map){  map.keySet().forEach(k -> {    System.out.println(k + " 的分词结果：");    AtomicInteger i = new AtomicInteger();    map.get(k).forEach(v -> {      System.out.println("\t" + i.incrementAndGet() + " 、" + v);    });  });}public static void showMore(Map<String, Map<String, String>> map){  map.keySet().forEach(k->{    System.out.println(k + " 的分词结果：");    AtomicInteger i = new AtomicInteger();    map.get(k).keySet().forEach(a -> {      System.out.println("\t" + i.incrementAndGet()+ " 、【"   + a + "】\t" + map.get(k).get(a));    });  });}public static void main(String[] args) {  show(contrast("杨尚川是APDPlat应用级产品开发平台的作者"));  showMore(contrastMore("杨尚川是APDPlat应用级产品开发平台的作者"));}

运行结果如下：

word分词器 的分词结果：  1 、杨尚川 是 APDPlat 应用 级 产品 开发 平台 的 作者   2 、杨尚川 是 apdplat 应用级 产品 开发平台 的 作者   3 、杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者   4 、杨尚川 是 apdplat 应用级 产品 开发 平台 的 作者 Stanford分词器 的分词结果：  1 、杨 尚 川 是 APDPlat 应用 级 产品 开发 平台 的 作者   2 、杨 尚川 是 APDPlat 应用 级 产品 开发 平台 的 作者 Ansj分词器 的分词结果：  1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者   2 、杨 杨尚川 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者   3 、杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者   4 、杨尚川 是 apdplat 应用级 产品 开发 平台 的 作者 FudanNLP分词器 的分词结果：  1 、杨尚川 是 APDPlat应 用级 产品 开发 平台 的 作者Jieba分词器 的分词结果：  1 、杨尚川 是 apdplat 应用 级 产品 开发 产品开发 平台 的 作者   2 、杨尚川 是 apdplat 应用 级 产品开发 平台 的 作者 Jcseg分词器 的分词结果：  1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者   2 、杨 尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 MMSeg4j分词器 的分词结果：  1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 IKAnalyzer分词器 的分词结果：  1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 Paoding分词器 的分词结果：  1 、杨尚 尚川 apdplat 应用 级 产品 开发 平台 作者smartcn分词器 的分词结果：  1 、杨 尚 川 是 apdplat 应用 级 产品 开发 平 台 的 作者

word分词器 的分词结果：  1 、【全切分算法】杨尚川 是 APDPlat 应用 级 产品 开发 平台 的 作者   2 、【双向最大最小匹配算法】杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者   3 、【正向最大匹配算法】杨尚川 是 apdplat 应用级 产品 开发平台 的 作者   4 、【双向最大匹配算法】杨尚川 是 apdplat 应用级 产品 开发平台 的 作者   5 、【逆向最大匹配算法】杨尚川 是 apdplat 应用级 产品 开发平台 的 作者   6 、【正向最小匹配算法】杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者   7 、【双向最小匹配算法】杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者   8 、【逆向最小匹配算法】杨尚川 是 apdplat 应用级 产品 开发 平台 的 作者 Stanford分词器 的分词结果：  1 、【Stanford Chinese Treebank segmentation】杨 尚 川 是 APDPlat 应用 级 产品 开发 平台 的 作者   2 、【Stanford Beijing University segmentation】杨 尚川 是 APDPlat 应用 级 产品 开发 平台 的 作者 Ansj分词器 的分词结果：  1 、【BaseAnalysis】杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者   2 、【IndexAnalysis】杨 杨尚川 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者   3 、【ToAnalysis】杨尚川 是 apdplat 应用 级 产品 开发 平台 的 作者   4 、【NlpAnalysis】杨尚川 是 apdplat 应用级 产品 开发 平台 的 作者 FudanNLP分词器 的分词结果：  1 、【FudanNLP】杨尚川 是 APDPlat应 用级 产品 开发 平台 的 作者Jieba分词器 的分词结果：  1 、【SEARCH】杨尚川 是 apdplat 应用 级 产品开发 平台 的 作者   2 、【INDEX】杨尚川 是 apdplat 应用 级 产品 开发 产品开发 平台 的 作者 Jcseg分词器 的分词结果：  1 、【简易模式】杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者   2 、【复杂模式】杨 尚川 是 apdplat 应用 级 产品 开发 平台 的 作者 MMSeg4j分词器 的分词结果：  1 、【SimpleSeg】杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者   2 、【ComplexSeg】杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者   3 、【MaxWordSeg】杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 IKAnalyzer分词器 的分词结果：  1 、【智能切分】杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者   2 、【细粒度切分】杨 尚 川 是 apdplat 应用 级 产品 开发 平台 的 作者 Paoding分词器 的分词结果：  1 、【MAX_WORD_LENGTH_MODE】杨尚 尚川 apdplat 应用 级 产品 开发 平台 作者   2 、【MOST_WORDS_MODE】杨尚 尚川 apdplat 应用 级 产品 开发 平台 作者smartcn分词器 的分词结果：  1 、【smartcn】杨 尚 川 是 apdplat 应用 级 产品 开发 平 台 的 作者