adnb34g 发表于 2019-6-21 13:54:23

Ansj与hanlp分词工具对比


一、Ansj1、利用DicAnalysis可以自定义词库:
2、但是自定义词库存在局限性,导致有些情况无效:比如:“不好用“的正常分词结果:“不好,用”。 (1)当自定义词库”好用“时,词库无效,分词结果不变。(2)当自定义词库“不好用”时,分词结果为:“不好用”,即此时自定义词库有效。 3、由于版本问题,可能DicAnalysis, ToAnalysis等类没有序列化,导致读取hdfs数据出错此时需要继承序列化接口 1|case class myAnalysis() extends DicAnalysis with Serializable   2|val seg = new myAnalysis() 二、HanLP同样可以通过CustomDictionary自定义词库:
但是在统计分词中,并不保证自定义词典中的词一定被切分出来,因此用户可在理解后果的情况下通过 1|StandardTokenizer.SEGMENT.enableCustomDictionaryForcing(true)强制生效 并发问题:CustomDictionary是全局变量,不能在各节点中更改,否则会出现并发错误。但是HanLP.segment(sentence),只有一个参数,不能指定CustomDictionary,导致在各个excutors计算的时候全局CustomDictionary无效。由于CustomDictionary是全局变量,因此我采用一个方式:每个分区都对CustomDictionary加锁并添加一次词库,性能影响较小:


页: [1]
查看完整版本: Ansj与hanlp分词工具对比