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> content = ExcelUtil.readExcelByField("i:/rundata/excelinput",5000,5);
        Map allKeyWords=new HashMap<>();
        for(int i=0;i            Map oneMap=content.get(i);
            for(String str:oneMap.keySet()){
                int count = oneMap.get(str);
                CombinerKeyNum(str,count,allKeyWords);
            }
        }
        List> 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> sortMapByValue(Map allKeyWords){
        List> sortList=new ArrayList<>(allKeyWords.entrySet());
        
        Collections.sort(sortList, new Comparator>() {   
            public int compare(Map.Entry o1, Map.Entry 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 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 getKeyWordMap(String content) {
        List list = StandardTokenizer.SEGMENT.seg(content);
        TextRankKeyword textmap = new TextRankKeyword();
        Map map = textmap.getTermAndRank(content);
        Map 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) 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