HanLP自然语言处理包初步安装与使用

        HanLP是由一系列模型与算法组成的Java工具包，目标是促进自然语言处理在生产环境中的应用。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。

        HanLP能提供以下功能：关键词提取、短语提取、繁体转简体、简体转繁体、分词、词性标注、拼音转换、自动摘要、命名实体识别（地名、机构名等）、文本推荐等功能，详细请参见以下链接：http://www.hankcs.com/nlp/hanlp.html  

        HanLP下载地址：https://github.com/hankcs/HanLP/releases，HanLP项目主页：https://github.com/hankcs/HanLP

        1、HanLP安装

         hanlp是由jar包、properties文件和data数据模型组成，因此，在安装时，这三种文件都应该有。可以通过建立java工程即可运行。

         hanlp.properties文件中描述了不同词典的相对路径以及root根目录，因此，可以在此文件中修改其路径。

         hanlp-1.3.4.jar包中包含了各种算法及提取方法的api，大部分方法都是静态的，可以通过HanLP直接进行调用，因此，使用非常方便。

         data文件夹中包含了dictionary和model文件夹，dictionary中主要是各种类型的词典，model主要是分析模型，hanlp api中的算法需要使用model中的数据模型。

         2、HanLP的使用

         普通java工程目录如下所示：

           3、HanLP的具体使用

           例如：对excel中的聊天记录字段进行热点词的提取，计算并排序，功能如下所示

           package com.run.hanlp.demo;

import java.util.ArrayList;

import java.util.Collections;

import java.util.Comparator;

import java.util.HashMap;

import java.util.List;

import java.util.Map;

import java.util.Map.Entry;

import org.apache.log4j.Logger;

import com.hankcs.hanlp.HanLP;

import com.hankcs.hanlp.seg.common.Term;

import com.hankcs.hanlp.suggest.Suggester;

import com.hankcs.hanlp.summary.TextRankKeyword;

import com.hankcs.hanlp.tokenizer.NLPTokenizer;

import com.hankcs.hanlp.tokenizer.StandardTokenizer;

import com.run.util.ExcelUtil;

public class HanlpTest {

    public static final Logger log = Logger.getLogger(HanlpTest.class);

    public static void main(String[] args) {

        log.info("关键词提取：");

        HanlpTest.getWordAndFrequency();

    }

    /**

     * 获取所有关键词和频率

     */

    public static void getWordAndFrequency() {

        // String content =

        // "程序员(英文Programmer)是从事程序开发、维护的专业人员。一般将程序员分为程序设计人员和程序编码人员，但两者的界限并不非常清楚，特别是在中国。软件从业人员分为初级程序员、高级程序员、系统分析员和项目经理四大类。";

        List<Map<String, Integer>> content = ExcelUtil.readExcelByField("i:/rundata/excelinput",5000,5);

        Map<String, Integer> allKeyWords=new HashMap<>();

        for(int i=0;i<content.size();i++){

            Map<String, Integer> oneMap=content.get(i);

            for(String str:oneMap.keySet()){

                int count = oneMap.get(str);

                CombinerKeyNum(str,count,allKeyWords);

            }

        }

        List<Map.Entry<String,Integer>> sortedMap=sortMapByValue(allKeyWords);

        log.info(sortedMap);

    }

    /**

     *

     * @param allKeyWords 需要进行排序的map

     * @return 返回排序后的list

     */

    public static List<Map.Entry<String,Integer>> sortMapByValue(Map<String,Integer> allKeyWords){

        List<Map.Entry<String,Integer>> sortList=new ArrayList<>(allKeyWords.entrySet());

        Collections.sort(sortList, new Comparator<Map.Entry<String, Integer>>() {   

            public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> o2) {      

                return (o2.getValue() - o1.getValue());

            }

        });

        return sortList;

    }

    /**

     *

     * @param key 关键词变量

     * @param value 关键词词频变量

     * @param allKeyWords  存放关键词和词频的map

     */

    public static void CombinerKeyNum(String key,int value,Map<String,Integer> allKeyWords){

        if(allKeyWords.containsKey(key)){

            int count=allKeyWords.get(key);

            count+=value;

            allKeyWords.put(key, count);

        }else{

            allKeyWords.put(key, value);

        }

    }

    /**

     *

     * @param content 需要提取关键词的字符串变量

     * @return 返回关键词以及关键词词频数的map

     *

     */

    public static HashMap<String, Integer> getKeyWordMap(String content) {

        List<Term> list = StandardTokenizer.SEGMENT.seg(content);

        TextRankKeyword textmap = new TextRankKeyword();

        Map<String, Float> map = textmap.getTermAndRank(content);

        Map<String, Integer> mapCount = new HashMap<>();

        for (String str : map.keySet()) {

            String keyStr = str;

            int count = 0;

            for (int i = 0; i < list.size(); i++) {

                if (keyStr.equals(list.get(i).word)) {

                    count++;

                }

            }

            mapCount.put(keyStr, Integer.valueOf(count));

        }

//        log.info(mapCount);

        return (HashMap<String, Integer>) mapCount;

    }

}

运行之后，结果如下：

 由此可见，可以看见从excel中提取出来的热点词汇及其频率。

文章来源于计算机之wind的博客