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：www.hankcs.com/nlp/hanlp.h…
HanLP下载地址：github.com/hankcs/HanL…
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<Map<String, Integer>> content = ExcelUtil.readExcelByField("i:/rundata/excelinput",5000,5); Map<String, Integer> allKeyWords=new HashMap<>(); for(int i=0;i<content.size();i++){ Map<String, Integer> oneMap=content.get(i); for(String str:oneMap.keySet()){ int count = oneMap.get(str); CombinerKeyNum(str,count,allKeyWords); } } List<Map.Entry<String,Integer>> 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<Map.Entry<String,Integer>> sortMapByValue(Map<String,Integer> allKeyWords){ List<Map.Entry<String,Integer>> sortList=new ArrayList<>(allKeyWords.entrySet()); Collections.sort(sortList, new Comparator<Map.Entry<String, Integer>>() { public int compare(Map.Entry<String, Integer> o1, Map.Entry<String, Integer> 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<String,Integer> 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<String, Integer> getKeyWordMap(String content) { List list = StandardTokenizer.SEGMENT.seg(content); TextRankKeyword textmap = new TextRankKeyword(); Map<String, Float> map = textmap.getTermAndRank(content); Map<String, Integer> 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<String, Integer>) 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
