Ansj中文分词使用教程

Ansj中文分词使用教程：https://blog.csdn.net/a822631129/article/details/52331202

ansj分词史上最详细教程：https://blog.csdn.net/bitcarmanlee/article/details/53607776

摘要：
ansj是一个基于n-Gram+CRF+HMM的中文分词的java实现.
ansj分词速度达到每秒钟大约200万字左右（mac air下测试），准确率能达到96%以上
Ansj目前实现了.中文分词.词性识别. 中文姓名识别 . 用户自定义词典,关键字提取，自动摘要，关键字标记等功能
能够应用到天然语言处理等方面,适用于对分词效果要求高的各类项目.java

下载jar：
访问 http://maven.nlpcn.org/org/ansj/ 最好下载最新版 ansj_seg/
若是你用的是1.x版本须要下载tree_split.jar。
若是你用的是2.x版本须要下载nlp-lang.jar。
若是你用的是3.x以上版本只须要下载 ansj_seg-[version]-all-in-one.jar 一个jar包就能浪了。
本人使用的是ansj5.0.1版本，使用的scala调用的，调用方式与java基本同样git

源码：https://github.com/NLPchina/ansj_seggithub

使用：
分词方式：
基本分词：最基本的分词.词语颗粒度最很是小的
用户自定义词典Χ 数字识别√人名识别Χ机构名识别Χ新词发现Χ
val parse = BaseAnalysis.parse("孙杨在里约奥运会男子200米自由泳决赛中，以1分44秒65夺得冠军");
System.out.println(parse);
result：[孙/nr,杨/nr,在/p,里/f,约/d,奥运会/j,男子/n,200/m,米/q,自由泳/n,决赛/vn,中/f,，/w,以/p,1/m,分/q,44/m,秒/q,65/m,夺得/v,冠军/n]maven

精准分词：在易用性,稳定性.准确性.以及分词效率上.都取得了一个不错的平衡.
用户自定义词典√ 数字识别√人名识别√机构名识别Χ新词发现Χ
val parse = ToAnalysis.parse("孙杨在里约奥运会男子200米自由泳决赛中，以1分44秒65夺得冠军");
System.out.println(parse);
result:[孙杨/nr,在/p,里/f,约/d,奥运会/j,男子/n,200米/m,自由泳/n,决赛/vn,中/f,，/w,以/p,1分/m,44秒/m,65/m,夺得/v,冠军/n]测试

nlp分词：语法实体名抽取.未登陆词整理.只要是对文本进行发现分析等工做
用户自定义词典√ 数字识别 √人名识别√机构名识别√新词发现√
val parse = NlpAnalysis.parse("孙杨在里约奥运会男子200米自由泳决赛中，以1分44秒65夺得冠军");
System.out.println(parse);
result:[孙杨/nr,在/p,里约,奥运会/j,男子/n,200米/m,自由泳/n,决赛/vn,中/f,，/w,以/p,1分/m,44秒/m,65/m,夺得/v,冠军/n]spa

面向索引分词：故名思议就是适合在lucene等文本检索中用到的分词。
用户自定义词典√ 数字识别√人名识别√机构名识别Χ新词发现Χ
var parse = IndexAnalysis.parse("主副食品")
result：[主副食品/n]
在该版本中分词效果貌似有点问题，切换成3.7.6的结果也跟上方同样，不过看资料说是能有result:[主副食品/n, 主副食, 副食, 副食品, 食品]这种效果，有须要能够切换更旧的版本试试。.net

加载自定义词典：
val forest0 = Library.makeForest("E:/base.dic")
System.out.println(DicAnalysis.parse("孙杨在里约奥运会男子200米自由泳决赛中，以1分44秒65夺得冠军", forest0));
result:[孙杨/nr,在/p,里约/ns,奥运会男子200米自由泳/comb,决赛/vn,中/f,，/w,以/p,1分/m,44秒/m,65/m,夺得/v,冠军/n]
“奥运会男子200米自由泳”是加到词典中的scala

去停用词：
var stopWord: Seq[String] = Seq("决赛")
var filter = new FilterRecognition()
filter.insertStopNatures("ns")
filter.insertStopWords(stopWord)
var word = "孙杨在里约奥运会男子200米自由泳决赛中，以1分44秒65夺得冠军"
var result = DicAnalysis.parse(word).recognition(filter)
result：[孙杨/nr,在/p,里/f,约/d,奥运会/j,200米/m,中/f,，/w,以/p,1分/m,44秒/m,65/m,夺得/v]
去除了n词性“自由泳”，和停用词“决赛”，停用词能够是一个String，也能够是一个java List对象rest

动态添加词典：
UserDefineLibrary.insertWord("ansj中文分词", "userDefine", 1000);
var terms = ToAnalysis.parse("我以为Ansj中文分词是一个不错的系统!我是王婆!");
System.out.println("增长新词例子:" + terms);
// 删除词语,只能删除.用户自定义的词典.
UserDefineLibrary.removeWord("ansj中文分词");
terms = ToAnalysis.parse("我以为ansj中文分词是一个不错的系统!我是王婆!");
System.out.println("删除用户自定义词典例子:" + terms);
result:
增长新词例子:我/r,觉/v,得/ud,ansj中文分词/userDefine,是/v,一/m,个/q,不/d,错/n,的/uj,系/v,统/v,!,我/r,是/v,王婆/nr,!
删除用户自定义词典例子:我/r,觉/v,得/ud,ansj/en,中文/nz,分/q,词/n,是/v,一/m,个/q,不/d,错/n,的/uj,系/v,统/v,!,我/r,是/v,王婆/nr,!对象

词性说明汉语文本词性标注标记集# 1. 名词 (1个一类，7个二类，5个三类)名词分为如下子类：n 名词nr 人名nr1 汉语姓氏nr2 汉语名字nrj 日语人名nrf 音译人名ns 地名nsf 音译地名nt 机构团体名nz 其它专名nl 名词性惯用语ng 名词性语素nw 新词# 2. 时间词(1个一类，1个二类)t 时间词tg 时间词性语素# 3. 处所词(1个一类)s 处所词# 4. 方位词(1个一类)f 方位词# 5. 动词(1个一类，9个二类)v 动词vd 副动词vn 名动词vshi 动词“是”vyou 动词“有”vf 趋向动词vx 形式动词vi 不及物动词（内动词）vl 动词性惯用语vg 动词性语素# 6. 形容词(1个一类，4个二类)a 形容词ad 副形词an 名形词ag 形容词性语素al 形容词性惯用语# 7. 区别词(1个一类，2个二类)b 区别词bl 区别词性惯用语# 8. 状态词(1个一类)z 状态词# 9. 代词(1个一类，4个二类，6个三类)r 代词rr 人称代词rz 指示代词rzt 时间指示代词rzs 处所指示代词rzv 谓词性指示代词ry 疑问代词ryt 时间疑问代词rys 处所疑问代词ryv 谓词性疑问代词rg 代词性语素# 10. 数词(1个一类，1个二类)m 数词mq 数量词# 11. 量词(1个一类，2个二类)q 量词qv 动量词qt 时量词# 12. 副词(1个一类)d 副词# 13. 介词(1个一类，2个二类)p 介词pba 介词“把”pbei 介词“被”# 14. 连词(1个一类，1个二类)c 连词 cc 并列连词# 15. 助词(1个一类，15个二类)u 助词uzhe 着ule 了喽uguo 过ude1 的底ude2 地ude3 得usuo 所udeng 等等等云云uyy 同样通常似的般udh 的话uls 来说来讲而言说来uzhi 之ulian 连（“连小学生都会”）# 16. 叹词(1个一类)e 叹词# 17. 语气词(1个一类)y 语气词(delete yg)# 18. 拟声词(1个一类)o 拟声词# 19. 前缀(1个一类)h 前缀# 20. 后缀(1个一类)k 后缀# 21. 字符串(1个一类，2个二类)x 字符串 xx 非语素字 xu 网址URL# 22. 标点符号(1个一类，16个二类)w 标点符号wkz 左括号，全角：（〔［｛《【〖〈半角：( [ { <wky 右括号，全角：）〕］｝》】〗〉半角： ) ] { >wyz 左引号，全角：“ ‘ 『 wyy 右引号，全角：” ’ 』wj 句号，全角：。ww 问号，全角：？半角：?wt 叹号，全角：！半角：!wd 逗号，全角：，半角：,wf 分号，全角：；半角： ;wn 顿号，全角：、wm 冒号，全角：：半角： :ws 省略号，全角：…… …wp 破折号，全角：—— －－ ——－半角：--- ----wb 百分号千分号，全角：％ ‰ 半角：%wh 单位符号，全角：￥＄￡ ° ℃ 半角：$