本文的目标有两个：

1、学会使用11大Java开源中文分词器

2、对比分析11大Java开源中文分词器的分词效果

本文给出了11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。

11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
     
       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
      
        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11大分词器来实现这个接口：

1、word分词器

@Overridepublic Map
     
       segMore(String text) {    Map
      
        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
     
       segMore(String text) {    Map
      
        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
     
       segMore(String text) {    Map
      
        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
       
         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
     
       segMore(String text) {    Map
      
        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
     
       segMore(String text) {    Map
      
        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
     
       segMore(String text) {    Map
      
        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
     
       segMore(String text) {    Map
      
        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
     
       segMore(String text) {    Map
      
        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
     
       segMore(String text) {    Map
      
        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
     
       segMore(String text) {    Map
      
        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();}
      
     

 

11、HanLP分词器

private static final Segment N_SHORT_SEGMENT = new NShortSegment().enableCustomDictionary(false).enablePlaceRecognize(true).enableOrganizationRecognize(true);private static final Segment DIJKSTRA_SEGMENT = new DijkstraSegment().enableCustomDictionary(false).enablePlaceRecognize(true).enableOrganizationRecognize(true);@Overridepublic Map
     
       segMore(String text) {    Map
      
        map = new HashMap<>();    map.put("标准分词", standard(text));    map.put("NLP分词", nlp(text));    map.put("索引分词", index(text));    map.put("N-最短路径分词", nShort(text));    map.put("最短路径分词", shortest(text));    map.put("极速词典分词", speed(text));    return map;}private static String standard(String text) {    StringBuilder result = new StringBuilder();    StandardTokenizer.segment(text).forEach(term->result.append(term.word).append(" "));    return result.toString();}private static String nlp(String text) {    StringBuilder result = new StringBuilder();    NLPTokenizer.segment(text).forEach(term->result.append(term.word).append(" "));    return result.toString();}private static String index(String text) {    StringBuilder result = new StringBuilder();    IndexTokenizer.segment(text).forEach(term->result.append(term.word).append(" "));    return result.toString();}private static String speed(String text) {    StringBuilder result = new StringBuilder();    SpeedTokenizer.segment(text).forEach(term->result.append(term.word).append(" "));    return result.toString();}private static String nShort(String text) {    StringBuilder result = new StringBuilder();    N_SHORT_SEGMENT.seg(text).forEach(term->result.append(term.word).append(" "));    return result.toString();}private static String shortest(String text) {    StringBuilder result = new StringBuilder();    DIJKSTRA_SEGMENT.seg(text).forEach(term->result.append(term.word).append(" "));    return result.toString();}
      
     

 

现在我们已经实现了本文的第一个目的：学会使用11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11大Java开源中文分词器的分词效果，程序如下：

public static Map
     
      > contrast(String text){    Map
      
       > 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("HanLP分词器", new HanLPEvaluation().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("smartcn分词器", new SmartCNEvaluation().seg(text));    return map;}public static Map
       
        > contrastMore(String text){    Map
        
         > 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("HanLP分词器", new HanLPEvaluation().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("smartcn分词器", new SmartCNEvaluation().segMore(text));    return map;}public static void show(Map
         
          > 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
          
           > 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("我爱楚离陌")); showMore(contrastMore("我爱楚离陌"));}
          
         
        
       
      
     

 

运行结果如下：

********************************************word分词器 的分词结果：    1 、我 爱 楚离陌 Stanford分词器 的分词结果：    1 、我 爱 楚 离陌     2 、我 爱 楚离陌 Ansj分词器 的分词结果：    1 、我 爱 楚离 陌     2 、我 爱 楚 离 陌 HanLP分词器 的分词结果：    1 、我 爱 楚 离 陌 smartcn分词器 的分词结果：    1 、我 爱 楚 离 陌 FudanNLP分词器 的分词结果：    1 、我 爱楚离陌Jieba分词器 的分词结果：    1 、我爱楚 离 陌 Jcseg分词器 的分词结果：    1 、我 爱 楚 离 陌 MMSeg4j分词器 的分词结果：    1 、我爱 楚 离 陌 IKAnalyzer分词器 的分词结果：    1 、我 爱 楚 离 陌 ****************************************************************************************word分词器 的分词结果：    1 、【全切分算法】    我 爱 楚离陌     2 、【双向最大最小匹配算法】    我 爱 楚离陌     3 、【正向最大匹配算法】    我 爱 楚离陌     4 、【双向最大匹配算法】    我 爱 楚离陌     5 、【逆向最大匹配算法】    我 爱 楚离陌     6 、【正向最小匹配算法】    我 爱 楚离陌     7 、【双向最小匹配算法】    我 爱 楚离陌     8 、【逆向最小匹配算法】    我 爱 楚离陌 Stanford分词器 的分词结果：    1 、【Stanford Chinese Treebank segmentation】    我 爱 楚离陌     2 、【Stanford Beijing University segmentation】    我 爱 楚 离陌 Ansj分词器 的分词结果：    1 、【BaseAnalysis】    我 爱 楚 离 陌     2 、【IndexAnalysis】    我 爱 楚 离 陌     3 、【ToAnalysis】    我 爱 楚 离 陌     4 、【NlpAnalysis】    我 爱 楚离 陌 HanLP分词器 的分词结果：    1 、【NLP分词】    我 爱 楚 离 陌     2 、【标准分词】    我 爱 楚 离 陌     3 、【N-最短路径分词】    我 爱 楚 离 陌     4 、【索引分词】    我 爱 楚 离 陌     5 、【最短路径分词】    我 爱 楚 离 陌     6 、【极速词典分词】    我 爱 楚 离 陌 smartcn分词器 的分词结果：    1 、【smartcn】    我 爱 楚 离 陌 FudanNLP分词器 的分词结果：    1 、【FudanNLP】    我 爱楚离陌Jieba分词器 的分词结果：    1 、【SEARCH】    我爱楚 离 陌     2 、【INDEX】    我爱楚 离 陌 Jcseg分词器 的分词结果：    1 、【简易模式】    我 爱 楚 离 陌     2 、【复杂模式】    我 爱 楚 离 陌 MMSeg4j分词器 的分词结果：    1 、【SimpleSeg】    我爱 楚 离 陌     2 、【ComplexSeg】    我爱 楚 离 陌     3 、【MaxWordSeg】    我爱 楚 离 陌 IKAnalyzer分词器 的分词结果：    1 、【智能切分】    我 爱 楚 离 陌     2 、【细粒度切分】    我 爱 楚 离 陌 ********************************************