zoukankan      html  css  js  c++  java
  • 简单的,分词算法 Virus


    一个简单的英文分词程序


    转载:http://west263.com/info/html/chengxusheji/Javajishu/20080404/57978.html

    在实验室接手的第一个任务,写一个英文分词程序,要将形如:Books in tuneBoxes are for Chinese-Children!断为:Book in tune Box are for Chinese child,也就是说要将复数转为单数,将连写的首字母大写的单词分开等等。复数转单数考虑的比较周全了应该,基本囊活了绝大多数情况。根据大写断词上考 虑有些欠妥,比如NEC这样的词显然应该保留,但是这儿会被拆为三个单词。正在试图改进

    /**
    * 分词
    *
    * @param source
    * 待分的字符串
    * @return String[]
    */
    public String[] fenci(String source) {
    /* 分隔符的集合 */
    String delimiters = " \t\n\r\f~!@#$%^&*()_ |`1234567890-=\\{}[]:\";'<>?,./'";

    /* 根据分隔符分词 */
    StringTokenizer stringTokenizer = new StringTokenizer(source,
    delimiters);
    Vector vector = new Vector();

    /* 根据大写首字母分词 */
    while (stringTokenizer.hasMoreTokens()) {
    String token = stringTokenizer.nextToken();
    int index = 0;
    flag1: while (index < token.length()) {
    flag2: while (true) {
    index ;
    if ((index == token.length())
    || !Character.isLowerCase(token.charAt(index))) {
    break flag2;
    }
    }
    vector.addElement(token.substring(0, index));
    //System.out.println("识别出" token.substring(0, index));
    token = token.substring(index);
    //System.out.println("剩余" token);
    index = 0;
    continue flag1;
    }
    }

    /*
    * 复数转单数 参考以下文档:
    * http://ftp.haie.edu.cn/Resource/GZ/GZYY/DCYFWF/NJSYYY/421b0061ZW_0015.htm
    */
    for (int i = 0; i < vector.size(); i ) {
    String token = (String) vector.elementAt(i);
    if (token.equalsIgnoreCase("feet")) {
    token = "foot";
    } else if (token.equalsIgnoreCase("geese")) {
    token = "goose";
    } else if (token.equalsIgnoreCase("lice")) {
    token = "louse";
    } else if (token.equalsIgnoreCase("mice")) {
    token = "mouse";
    } else if (token.equalsIgnoreCase("teeth")) {
    token = "tooth";
    } else if (token.equalsIgnoreCase("oxen")) {
    token = "ox";
    } else if (token.equalsIgnoreCase("children")) {
    token = "child";
    } else if (token.endsWith("men")) {
    token = token.substring(0, token.length() - 3) "man";
    } else if (token.endsWith("ies")) {
    token = token.substring(0, token.length() - 3) "y";
    } else if (token.endsWith("ves")) {
    if (token.equalsIgnoreCase("knives")
    || token.equalsIgnoreCase("wives")
    || token.equalsIgnoreCase("lives")) {
    token = token.substring(0, token.length() - 3) "fe";
    } else {
    token = token.substring(0, token.length() - 3) "f";
    }
    } else if (token.endsWith("oes") || token.endsWith("ches")
    || token.endsWith("shes") || token.endsWith("ses")
    || token.endsWith("xes")) {
    token = token.substring(0, token.length() - 2);
    } else if (token.endsWith("s")) {
    token = token.substring(0, token.length() - 1);
    }

    /* 处理完毕 */
    vector.setElementAt(token, i);
    }

    /* 转为数组形式 */
    String[] array = new String[vector.size()];
    Enumeration enumeration = vector.elements();
    int index = 0;
    while (enumeration.hasMoreElements()) {
    array[index] = (String) enumeration.nextElement();
    index ;
    }

    /* 打印显示 */
    for (int i = 0; i < array.length; i ) {
    System.out.println(array[i]);
    }

    /* 返回 */
    return array;
    }


    【Blog】http://virusswb.cnblogs.com/

    【MSN】jorden008@hotmail.com

    【说明】转载请标明出处,谢谢

    反馈文章质量,你可以通过快速通道评论:

  • 相关阅读:
    spring mvc注入配置文件里的属性
    spring mvc注入配置文件里的属性
    spring mvc注入配置文件里的属性
    ajaxFileUpload进行文件上传时,总是进入error
    ajaxFileUpload进行文件上传时,总是进入error
    ajaxFileUpload进行文件上传时,总是进入error
    配置quartz启动时就执行一次
    配置quartz启动时就执行一次
    JAVA遍历机制的性能的比较
    MyBatis中jdbcType与javaType对应表
  • 原文地址:https://www.cnblogs.com/virusswb/p/1260601.html
Copyright © 2011-2022 走看看