hanlp和jieba等六大中文分工具的测试对比

本篇文章测试的哈工大LTP、中科院计算所NLPIR、清华大学THULAC和jieba、FoolNLTK、HanLP这六大中文分词工具是由  水...琥珀 完成的。相关测试的文章以前也看到过一些，但本篇阐述的能够说是比较详细的了。这里就分享一下给各位朋友！

安装调用

jieba“结巴”中文分词：作最好的 Python 中文分词组件

THULAC清华大学：一个高效的中文词法分析工具包

FoolNLTK可能不是最快的开源中文分词，但极可能是最准的开源中文分词

教程：FoolNLTK 及 HanLP使用

HanLP最高分词速度2,000万字/秒

**中科院 Ictclas 分词系统 - NLPIR汉语分词系统

哈工大 LTP

LTP安装教程[python 哈工大NTP分词 安装pyltp 及配置模型（新）]

以下是测试代码及结果

下面测试的文本上是极易分词错误的文本，分词的效果在很大程度上就能够提现分词器的分词状况。接下来验证一下，分词器的宣传语是否得当吧。

 

jieba 中文分词

 

thulac 中文分词

fool 中文分词

 

HanLP 中文分词

 

中科院分词 nlpir

 

哈工大ltp 分词

以上能够看出分词的时间，为了方便比较进行以下操做：

 

分词效果对比

 

 

结果为：

 

总结：

1.时间上（不包括加载包的时间），对于相同的文本测试两次，四个分词器时间分别为：

jieba:    0.01699233055114746 1.8318662643432617

thulac ： 10.118737936019897 8.155954599380493

fool： 2.227612018585205 2.892209053039551

HanLP： 3.6987085342407227 1.443108320236206

中科院nlpir：0.002994060516357422

哈工大ltp_ ：0.09294390678405762

能够看出平均耗时最短的是中科院nlpir分词，最长的是thulac，时间的差别仍是比较大的。

2.分词准确率上，经过分词效果操做能够看出

第一句：结婚的和还没有结婚的确实在干扰分词啊

四个分词器都表现良好，惟一不一样的是fool将“干扰分词”合为一个词

第二句：汽水不若是汁好喝，重点在“不若是”，“”不如“” 和“”若是“” 在中文中均可以成词，可是在这个句子里是不如 与果汁 正确分词

jieba  thulac fool HanLP

jieba、 fool 、HanLP正确  thulac错误

第三句： 小白痴痴地在门前等小黑回来，体如今人名的合理分词上

正确是：

小白/ 痴痴地/ 在/ 门前/ 等/ 小黑/ 回来

jieba、 fool 、HanLP正确，thulac在两处分词错误： 小白_np 痴痴_a 地_u 在_p 门前_s 等_u 小_a 黑回_n 来_f

第四句：是有关司法领域文本分词

发现HanLP的分词粒度比较大，fool分词粒度较小，致使fool分词在上有较大的偏差。在人名识别上没有太大的差别，在组织机构名上分词，分词的颗粒度有一些差别，Hanlp在机构名的分词上略胜一筹。

六种分词器使用建议：

对命名实体识别要求较高的能够选择HanLP，根听说明其训练的语料比较多，载入了不少实体库，经过测试在实体边界的识别上有必定的优点。

中科院的分词，是学术界比较权威的，对比来看哈工大的分词器也具备比较高的优点。同时这两款分词器的安装虽然不难，但比较jieba的安装显得繁琐一点，代码迁移性会相对弱一点。哈工大分词器pyltp安装配置模型教程

结巴由于其安装简单，有三种模式和其余功能，支持语言普遍，流行度比较高，且在操做文件上有比较好的方法好用python -m jieba news.txt > cut_result.txt

对于分词器的其余功能就能够在文章开头的连接查看，好比说哈工大的pyltp在命名实体识别方面，能够输出标注的词向量，是很是方便基础研究的命名实体的标注工做。

 

精简文本 效果对比