如何在Java中识别文本文档的语言？
如何在Java中识别文本文档的语言？
提问于 2019-04-07 23:59:58
是否有现有的Java库可以告诉我String是否包含英语语言文本（例如，我需要能够区分法语或意大利语文本 - 该函数需要为法语和意大利语返回false，对于英语是真的） ？
回答 2
Stack Overflow用户
发布于 2019-04-08 08:14:57
您可以尝试将每个单词与英语，法语或意大利语词典进行比较。请记住，虽然某些单词可能出现在多个词典中。
Stack Overflow用户
发布于 2019-04-08 09:55:24
有各种技术，强大的方法将结合各种技术：
- 查看文本中n个字母组（例如，3个字母或三字母组）的频率，看它们是否与您测试的语言的频率相似
- 查看给定语言中频繁单词的实例是否与文本中找到的频率相匹配（这对于较长的文本更有效）
- 文本是否包含将其缩小到特定语言的字符？（例如，如果文本中包含一个颠倒的问号，则很有可能是西班牙语）
- 你可以“松散地解析”文本中某些特定语言的特征，例如，如果它包含与下面正则表达式的匹配，你可以把它作为语言法语的强有力线索： \ B您\ S + \ p {L} + EZ \ b
为了帮助您入门，以下是英语，法语和意大利语的频繁三字和字数统计（从某些代码中复制和粘贴 - 我将其作为练习来解析它们）：
Locale.ENGLISH,
"he_=38426;the=38122;nd_=20901;ed_=20519;and=18417;ing=16248;to_=15295;ng_=15281;er_=15192;at_=14219",
"the=11209;and=6631;to=5763;of=5561;a=5487;in=3421;was=3214;his=2313;that=2311;he=2115",
Locale.FRENCH,
"es_=38676;de_=28820;ent=21451;nt_=21072;e_d=18764;le_=17051;ion=15803;s_d=15491;e_l=14888;la_=14260",
"de=10726;la=5581;le=3954;" + ((char)224) + "=3930;et=3563;des=3295;les=3277;du=2667;en=2505;un=1588",
Locale.ITALIAN,
"re_=7275;la_=7251;to_=7208;_di=7170;_e_=7031;_co=5919;che=5876;he_=5622;no_=5546;di_=5460",
"di=7014;e=4045;il=3313;che=3006;la=2943;a=2541;in=2434;per=2165;del=2013;un=1945",
（Trigram计数是每百万个字符;单词计数是每百万个单词。'_'字符表示单词边界。）
我记得，这些数字在牛津计算语言学家手册中引用，并以报纸文章样本为基础。如果你有这些语言的文本语料库，那么自己很容易得出类似的数字。
如果您想要一种非常快速和肮脏的方式来应用上述方法，请尝试：
- 考虑文本中三个字符的每个序列（用'_'替换单词边界）
- 对于与给定语言的一个频繁匹配的每个三元组，将该语言的“分数”增加1（更复杂的是，您可以根据列表中的位置加权）
- 最后，假设语言是得分最高的
- 可选地，对常用单词执行相同操作（组合分数）
显然，这可以进行改进，但是您可能会发现这个简单的解决方案足以满足您的需求，因为您基本上对“英语与否”感兴趣。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/-100001081
复制相关文章
相似问题
腾讯云开发者
