久久亚洲国产成人影院,久久精品国产亚洲av麻豆图片,亚洲A∨午夜成人片精品网站

基于詞典的正向最大匹配中文分詞算法，能實現中英文數字混合分詞

基于詞典的正向最大匹配中文分詞算法，能實現中英文數字混合分詞。比如能分出這樣的詞：bb霜、3室、樂phone、touch4、mp3、T恤

第一次寫中文分詞程序，歡迎拍磚。

public?class?MM2?

{

????private?static?final?Log?log?=?LogFactory.getLog(MM2.class);

????

????private?static?HashMap<String,?Integer>?dictionary?=?null;?

????private?static?final?int?WORD_MAX_LENGTH?=?9;

????private?Reader?reader;

????

????static

????{

????????loadDictionary();

????}

????

????public?MM2(Reader?reader)?

????{?

????????this.reader?=?reader;?

????}?

????

????//切分出由中文、字母、數字組成的句子

????public?ArrayList<Sentence>?getSentence()?throws?IOException

????{???

????????ArrayList<Sentence>?list=new?ArrayList<Sentence>();

????????StringBuffer?cb=new?StringBuffer();

????????int?d=reader.read();

????????int?offset=0;

????????boolean?b=false;

????????while(d>-1)

????????{

????????????int?type=Character.getType(d);

????????????if(type==2?||?type==9?||?type==5)

????????????{

????????????????d=toAscii(d);

????????????????cb.append((char)d);

????????????}

????????????else

????????????{

????????????????b=true;

????????????}

????????????d=reader.read();

????????????if(d==-1?||?b)

????????????{

????????????????if(d==-1)?offset++;

????????????????b=false;

????????????????char[]?ioBuffer?=?new?char[cb.length()];

????????????????cb.getChars(0,?cb.length(),?ioBuffer,?0);

????????????????Sentence?sen=new?Sentence(ioBuffer,offset-cb.length());

????????????????list.add(sen);

????????????????cb.setLength(0);

????????????}

????????????offset++;

????????}

????????return?list;

????}

????

????//將句子切分出詞

????public?ArrayList<Token>?getToken(ArrayList<Sentence>?list)?throws?IOException

????{

????????ArrayList<Token>?tokenlist=new?ArrayList<Token>();

????????for(Sentence?sen:list)

????????{

????????????StringBuffer?word?=?new?StringBuffer();

????????????int?offset=sen.getStartOffset();

????????????int?bufferIndex?=?0;

????????????char?c;

????????????boolean?b=false;

????????????while(bufferIndex<sen.getText().length)

????????????{

????????????????offset++;

????????????????c=sen.getText()[bufferIndex++];

????????????????if(word.length()==0)

????????????????????word.append(c);

????????????????else

????????????????{

????????????????????String?temp?=?(word.toString()?+?c).intern();

????????????????????if(dictionary.containsKey(temp)?&&?dictionary.get(temp)==1)

????????????????????????word.append(c);

????????????????????else?if(dictionary.containsKey(temp)?&&?bufferIndex<sen.getText().length)

????????????????????????word.append(c);

????????????????????else

????????????????????{

????????????????????????bufferIndex--;

????????????????????????offset--;

????????????????????????while(word.length()>1?&&?dictionary.get(word.toString())!=null?&&?dictionary.get(word.toString())==2)

????????????????????????{

????????????????????????????word.deleteCharAt(word.length()-1);

????????????????????????????bufferIndex--;

????????????????????????????offset--;

????????????????????????}

????????????????????????b=true;

????????????????????}

????????????????}

????????????????if(b?||?bufferIndex==sen.getText().length)

????????????????{

????????????????????Token?token?=?new?Token(word.toString(),offset-word.length(),offset,"word");

????????????????????word.setLength(0);

????????????????????tokenlist.add(token);

????????????????????b=false;

????????????????}

????????????}

????????}

????????return?tokenlist;

????}

????

????//將相連的單個英文或數字組合成詞

????public?ArrayList<Token>?getNewToken(ArrayList<Token>?list)?throws?IOException

????{

????????ArrayList<Token>?tokenlist=new?ArrayList<Token>();

????????Token?word=null;

????????for(int?i=0;i<list.size();i++)

????????{

????????????Token?t=list.get(i);

????????????if(t.getWord().length()==1?&&?Character.getType((int)t.getWord().charAt(0))!=5)

????????????{

????????????????if(word==null)

????????????????????word=t;

????????????????else?if(word.getEnd()==t.getStart())

????????????????{

????????????????????word.setEnd(t.getEnd());

????????????????????word.setWord(word.getWord()+t.getWord());

????????????????}

????????????????else

????????????????{

????????????????????tokenlist.add(word);

????????????????????word=t;

????????????????}

????????????}

????????????else?if(word!=null)

????????????{

????????????????tokenlist.add(word);

????????????????word=null;

????????????????tokenlist.add(t);

????????????}

????????????else

????????????????tokenlist.add(t);

????????}

????????if(word!=null)

????????????tokenlist.add(word);

????????return?tokenlist;

????}

????

????//雙角轉單角

????public?static?int?toAscii(int?codePoint)?

????{

????????if((codePoint>=65296?&&?codePoint<=65305)????//０-９

????????????????||?(codePoint>=65313?&&?codePoint<=65338)????//Ａ-Ｚ

????????????????||?(codePoint>=65345?&&?codePoint<=65370)????//ａ-ｚ

????????????????)

????????{????

????????????codePoint?-=?65248;

????????}

????????return?codePoint;

????}

????

????//加載詞典

????public?static?void?loadDictionary()?

????{??

????????if?(dictionary?==?null)?

????????{????

????????????dictionary?=?new?HashMap<String,?Integer>();????

????????????InputStream?is?=?null;????

????????????BufferedReader?br?=?null;????????????

????????????try

????????????{

????????????????is?=?new?FileInputStream(new?File(MM2.class.getClassLoader().getResource("dictionary.txt").toURI()));

????????????????br?=?new?BufferedReader(new?InputStreamReader(is,?"UTF-8"));

????????????????String?word?=?null;

????????????????while?((word?=?br.readLine())?!=?null)?

????????????????{

????????????????????word=word.toLowerCase();

????????????????????if?((word.indexOf("#")?==?-1)?&&?(word.length()?<=?WORD_MAX_LENGTH))

????????????????????{

????????????????????????dictionary.put(word.intern(),?1);????

????????????????????????int?i?=?word.length()-1;?

????????????????????????while(i?>=?2)

????????????????????????{

????????????????????????????String?temp?=?word.substring(0,?i).intern();?

????????????????????????????if?(!dictionary.containsKey(temp))

????????????????????????????????dictionary.put(temp,2);?

????????????????????????????i--;

????????????????????????}

????????????????????}

????????????????}

????????????}

????????????catch?(Exception?e)?

????????????{??????

????????????????log.info(e);

????????????}

????????????finally

????????????{

????????????????try?

????????????????{??????

????????????????????if(br!=null)

????????????????????????br.close();???

????????????????????if(is!=null)

????????????????????????is.close();??

????????????????}

????????????????catch?(IOException?e)

????????????????{?????

????????????????????log.info(e);

????????????????}????????????

????????????}?

????????}?

????}

????

????public?static?String[]?segWords(Reader?input)

????{

????????ArrayList<String>?list=new?ArrayList<String>();

????????try

????????{

????????????MM2?f=new?MM2(input);

????????????ArrayList<Token>?tlist=?f.getNewToken(f.getToken(f.getSentence()));

????????????for(Token?t:tlist)

????????????{

????????????????list.add(t.getWord());

????????????}

????????}

????????catch(IOException?e)

????????{

????????????log.info(e);

????????}

????????return?(String[])list.toArray(new?String[0]);

????}

????

????public?static?void?main(String[]?args)?

????{

????????String[]?cc=MM2.segWords(new?StringReader("ibm商務機t60p".toLowerCase()));

????????for(String?c:cc)

????????{

????????????System.out.println(c);

????????}

????}

}

posted on 2011-08-05 08:34 禮物閱讀(2118) 評論(2) 編輯收藏

Terry.Li-彬

常用鏈接

留言簿(19)

隨筆分類(107)

隨筆檔案(141)

文章分類(284)

文章檔案(342)

相冊

收藏夾(58)

家裝

最新隨筆

搜索

積分與排名

最新評論

閱讀排行榜

評論排行榜

評論


只有注冊用戶登錄后才能發表評論。




網站導航: 博客園 IT新聞 Chat2DB C++博客博問管理