自然語言處理工具包 HanLP在 Spring Boot中的應用

CodeSheep發表於2018-10-31

本文共 782字,閱讀大約需要 2分鐘 !


概 述

HanLP 是基於 Java開發的 NLP工具包,由一系列模型與演算法組成,目標是普及自然語言處理在生產環境中的應用。而且 HanLP具備功能完善、效能高效、架構清晰、語料時新、可自定義的特點,因此十分好上手,本文就結合 Spring Boot來將 HanLP用起來!

注: 本文首發於 My Personal Blog:CodeSheep·程式羊,歡迎光臨 小站

本文內容腦圖如下:

傲遊瀏覽器截圖20181031233757.jpg


下載 HanLP資料和程式

由於 HanLP庫將資料與程式碼分離,因此我們需要分別下載所需資料和 jar包:


工程搭建

  • 建立一個普通的 Spring Boot工程,不贅述

  • 引入 HanLP資料 和 配置

下載完成以後,首先解壓 hanlp-release.zip壓縮包,然後將解壓出的 HanLP的 jar包引入 Spring Boot工程,然後需要來放置 HanLP所需配置和資料:

  1. 將解壓後 hanlp-release.zip壓縮包中的 hanlp.properties配置檔案置於專案的 resources資源目錄下

  2. 然後解壓 data.zip壓縮包,將解壓出的 data目錄同樣至於 resources目錄下( data 中的資料包很重要,是 HanLP工作所需的詞典和模型 )


建立 IO介面卡

HanLP 提供了 IO介面卡,使用者可以實現其提供的 com.hankcs.hanlp.corpus.io.IIOAdapter 介面以在不同的平臺(HDFS、Redis等)上執行HanLP,預設的 IO介面卡 IOAdapter = com.hankcs.hanlp.corpus.io.FileIOAdapter 是基於普通檔案系統的。

接下來我們重寫一下 IOAdapter類,使用讀寫靜態資原始檔的方法來讀取HanLP所需的詞典和模型資料( 即resources目錄下剛放置的 data目錄 )

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;
    }
}
複製程式碼

然後我們配置一下 HanLP的配置檔案hanlp.properties,有兩處需要改為以下配置:

root=   // 我們不再需要這種指定data目錄的方式
IOAdapter=cn.codesheep.springbt_hanlp_userdefine.config.ResourceFileIoAdapter // 指定自定義的IOAdapter
複製程式碼

好,現在專案就可以工作了,我們接下來寫幾個測試用例測試體驗一把 !


實驗測試

隨便寫幾個例子來感受一番:

  • 分詞功能
@Test
public void testSegment() {
	System.out.println( HanLP.segment("www.codesheep.cn是一個技術部落格!") );
}
複製程式碼

分詞結果如下:

[www/nx, ./w, codesheep/nx, ./w, cn/nx, 是/vshi, 一個/mq, 技術/n, 部落格/n, !/w]
複製程式碼

每個詞段後的 /nx/w之類的是 HanLP定義的詞性,可以去看 HanLP的介面來獲取詳情

  • 文字推薦
@Test
public void testSuggest() {
    Suggester suggester = new Suggester();
    String[] titleArray =
            (
                    "威廉王子發表演說 呼籲保護野生動物\n" +
                            "《時代》年度人物最終入圍名單出爐 普京馬雲入選\n" +
                            "“黑格比”橫掃菲:菲吸取“海燕”經驗及早疏散\n" +
                            "日本保密法將正式生效 日媒指其損害國民知情權\n" +
                            "人工智慧如今是非常火熱的一門技術”"
            ).split("\\n");
    for (String title : titleArray)
    {
        suggester.addSentence(title);
    }

    System.out.println(suggester.suggest("機器學習", 1));   // 語義
    System.out.println(suggester.suggest("危機公共", 1));   // 字元
    System.out.println(suggester.suggest("mayun", 1));     // 拼音
}
複製程式碼

三個關鍵字的語句推薦結果為:

機器學習  →  [人工智慧如今是非常火熱的一門技術”]
危機公共  →  [威廉王子發表演說 呼籲保護野生動物]
mayun     →  [《時代》年度人物最終入圍名單出爐 普京馬雲入選]
複製程式碼
  • 關鍵字提取
@Test
public void testKeyExtract() {
    String content = "蘋果公司(Apple Inc. )是美國一家高科技公司。由史蒂夫·賈伯斯、斯蒂夫·沃茲尼亞克和羅·韋恩(Ron Wayne)等人於1976年4月1日創立," +
            "並命名為美國蘋果電腦公司(Apple Computer Inc. ),2007年1月9日更名為蘋果公司,總部位於加利福尼亞州的庫比蒂諾。";
    List<String> keywordList = HanLP.extractKeyword(content, 5);
    System.out.println(keywordList);
}
複製程式碼

提取結果為:

[公司, 蘋果, 美國, Inc, Apple]
複製程式碼

體驗一番我們發現其自帶的模型、字典等資料給出的實驗效果已經是非常不錯了,而且使用者還可以自定義或修改 data目錄下的模型、字典等資料來滿足特定需求,因此還是十分強大的。


後 記

由於能力有限,若有錯誤或者不當之處,還請大家批評指正,一起學習交流!



長按掃描 下面的 小心心 來訂閱作者公眾號 CodeSheep,獲取更多 務實、能看懂、可復現的 原創文 ↓↓↓

CodeSheep · 程式羊


相關文章