Skip to content

石磊 / cihai

Go to a project
Commit 31cf427b by 侯昆
Options

关键词抽取以及搜索词抽取完成

1 parent 37e4e354
Inline Side-by-side
Showing 10 changed files with 408 additions and 37 deletions
serverside/cihai-core/src/main/java/com/dookay/cihai/core/CihaiCoreApplication.java
......@@ -4,8 +4,6 @@ import com.dookay.coral.common.core.CoralCommonCoreMarker;
import org.mybatis.spring.annotation.MapperScan;
import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;
import org.springframework.boot.builder.SpringApplicationBuilder;
import org.springframework.boot.web.support.SpringBootServletInitializer;
/**
......
serverside/cihai-core/src/main/java/com/dookay/cihai/core/aip/AipUtilBean.java
......@@ -16,9 +16,15 @@ package com.dookay.cihai.core.aip;
import com.alibaba.fastjson.JSON;
import com.baidu.aip.nlp.AipNlp;
import com.dookay.cihai.core.aip.consts.DepPostTagConst;
import com.dookay.cihai.core.aip.consts.DeprelConst;
import com.dookay.cihai.core.aip.consts.LexerNeConst;
import com.dookay.cihai.core.aip.consts.LexerPosConst;
import com.dookay.coral.common.core.exception.ServiceException;
import com.dookay.coral.common.core.utils.lang.CollectionUtils;
import com.dookay.coral.common.core.utils.lang.StringUtils;
import lombok.extern.slf4j.Slf4j;
import org.apache.commons.collections4.ListUtils;
import org.apache.commons.collections4.set.ListOrderedSet;
import org.json.JSONArray;
import org.json.JSONException;
......@@ -26,10 +32,7 @@ import org.json.JSONObject;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Component;
import java.util.Comparator;
import java.util.List;
import java.util.Map;
import java.util.Set;
import java.util.*;
import java.util.stream.Collectors;
/**
......@@ -42,22 +45,93 @@ import java.util.stream.Collectors;
@Slf4j
public final class AipUtilBean {
/**
* 内部错误
*/
private static final String INTERNAL_ERROR = "282000";
@Autowired
private AipNlp aipNlp;
/**
* 抽取查询关键词
*
* @param queryString
* @return
* @throws JSONException
* @author houkun
* @date 2017/12/6
*/
public String extractQueryKeyword(String queryString) throws JSONException {
JSONObject res = doDepParser(queryString, 1);
JSONArray items = res.getJSONArray("items");
List<DepParserItem> depParserItems = JSON.parseArray(items.toString(), DepParserItem.class);
// 单个词情况
if (depParserItems.size() == 1) {
return depParserItems.get(0).getWord();
}
// 先找到句子的核心
DepParserItem hed = depParserItems.stream().filter(d -> d.getDeprel().equals(DeprelConst.HED)).findFirst().orElse(null);
List<DepParserItem> keywords = new ArrayList<>();
if (hed != null) {
int hedIndex = depParserItems.indexOf(hed);
// 首先考虑父级为核心且本身为名词的情况
for (DepParserItem item : depParserItems) {
boolean parentIsHed = item.getHead() == hedIndex + 1;
boolean isSBVorVOB = item.getDeprel().equals(DeprelConst.SBV) || item.getDeprel().equals(DeprelConst.VOB);
boolean isNoun = DepPostTagConst.inThis(item.getPostag());
if (parentIsHed && isSBVorVOB && isNoun) {
keywords.add(item);
}
}
// 若不匹配，则
if (CollectionUtils.isEmpty(keywords)) {
throw new ServiceException("无名词宾语或主语");
}
} else {
// 无核心情况下
throw new ServiceException("无核心");
}
if (keywords.size() == 1) {
return keywords.get(0).getWord();
}
DepParserItem keyword = keywords.stream().filter(k -> k.getDeprel().equals(DeprelConst.SBV)).findFirst().orElse(null);
return keyword.getWord();
}
/**
* 获取文章中名词及其出现次数
*
* @param document 文章内容
* @return
* @throws JSONException
* @author houkun
* @date 2017/12/6
*/
public Map<String, Long> extractNounWordsWithCount(String document) throws JSONException {
List<LexerItem> lexerItems = getLexerItems(document);
Map<String, Long> itemCount = lexerItems.stream()
.filter(l -> LexerPosConst.inThis(l.getPos())
|| LexerNeConst.inThis(l.getNe()))
.collect(Collectors.groupingBy(
LexerItem::getItem,
Collectors.counting()
));
return itemCount;
}
/**
* 抽取关键词
*
* @param document 文档
* @param size 关键词个数
* @return
* @throws JSONException
* @author houkun
* @date 2017/12/6
*/
public List<String> extractKeyWords(String document, int size) throws JSONException {
JSONObject res = aipNlp.lexer(document);
JSONArray items = res.getJSONArray("items");
log.debug(items.toString(2));
List<LexerItem> lexerItems = JSON.parseArray(items.toString(), LexerItem.class);
List<LexerItem> lexerItems = getLexerItems(document);
Map<String, Set<LexerItem>> itemMap = lexerItems.stream()
.filter(l -> LexerPosConst.inThis(l.getPos())
|| LexerNeConst.inThis(l.getNe()))
......@@ -79,4 +153,107 @@ public final class AipUtilBean {
});
return words.stream().limit(size).collect(Collectors.toList());
}
/**
* 获取词法分析项
*
* @param document
* @return
* @throws JSONException
* @author houkun
* @date 2017/12/6
*/
private List<LexerItem> getLexerItems(String document) throws JSONException {
List<String> documents = splitDocument(document, 10000);
List<LexerItem> lexerItems = new ArrayList<>();
for (String s : documents) {
log.debug("分段: " + s.length());
log.debug(s);
JSONObject res = doLexer(s);
JSONArray items = res.getJSONArray("items");
// log.debug(items.toString(2));
lexerItems = ListUtils.union(lexerItems, JSON.parseArray(items.toString(), LexerItem.class));
}
return lexerItems;
}
/**
* 词法分析
*
* @param s
* @return
* @throws JSONException
* @author houkun
* @date 2017/12/6
*/
private JSONObject doLexer(String s) throws JSONException {
JSONObject res = aipNlp.lexer(s);
boolean error = res.has("error_code");
if (error) {
String errorCode = res.getString("error_code");
if (INTERNAL_ERROR.equals(errorCode)) {
res = doLexer(s);
} else {
throw new ServiceException(res.toString());
}
}
return res;
}
/**
* 句法分析
*
* @param s
* @return
* @throws JSONException
* @author houkun
* @date 2017/12/6
*/
private JSONObject doDepParser(String s, int mode) throws JSONException {
HashMap<String, Object> option = new HashMap<>();
option.put("mode", mode);
JSONObject res = aipNlp.depParser(s, option);
boolean error = res.has("error_code");
if (error) {
String errorCode = res.getString("error_code");
if (INTERNAL_ERROR.equals(errorCode)) {
res = doDepParser(s, mode);
} else {
throw new ServiceException(res.toString());
}
}
return res;
}
/**
* 分割文档
*
* @param document 文档内容
* @param maxSize 每段大小
* @return
* @author houkun
* @date 2017/12/6
*/
private List<String> splitDocument(String document, int maxSize) {
if (document.length() <= maxSize) {
return Collections.singletonList(document);
}
String[] strings = StringUtils.splitPreserveAllTokens(document, "\n");
ArrayList<String> result = new ArrayList<>();
StringBuilder sb = new StringBuilder();
long count = 0;
for (String string : strings) {
if (count < maxSize) {
sb.append(string);
count += string.length();
} else {
result.add(sb.toString());
count = 0;
sb = new StringBuilder();
}
}
return result;
}
}
serverside/cihai-core/src/main/java/com/dookay/cihai/core/aip/DepParserItem.java 0 → 100644
package com.dookay.cihai.core.aip;
/*****************************************
* *
* @dookay.com Internet make it happen *
* ----------- ----------------------- *
* dddd ddddd Internet make it happen *
* o o o Internet make it happen *
* k k k Internet make it happen *
* a a a Internet make it happen *
* yyyy yyyyy Internet make it happen *
* ----------- ----------------------- *
* @dookay.com Internet make it happen *
* *
****************************************/
import lombok.Data;
/**
* 句法分析结果项
*
* @author houkun
* @date 2017/12/6
*/
@Data
public class DepParserItem {
/**
* 词的父节点
*/
private int head;
/**
* 依存关系
*/
private String deprel;
/**
* 词性
*/
private String postag;
/**
* 词语本身
*/
private String word;
}
serverside/cihai-core/src/main/java/com/dookay/cihai/core/aip/consts/DeprelConst.java 0 → 100644
package com.dookay.cihai.core.aip.consts;
/*****************************************
* *
* @dookay.com Internet make it happen *
* ----------- ----------------------- *
* dddd ddddd Internet make it happen *
* o o o Internet make it happen *
* k k k Internet make it happen *
* a a a Internet make it happen *
* yyyy yyyyy Internet make it happen *
* ----------- ----------------------- *
* @dookay.com Internet make it happen *
* *
****************************************/
/**
* 依存关系
*
* @author houkun
* @date 2017/12/6
*/
public interface DeprelConst {
/**
* 核心
*/
String HED = "HED";
/**
* 主谓关系 subject-verb
*/
String SBV = "SBV";
/**
* 动宾关系 verb-subject
*/
String VOB = "VOB";
}
serverside/cihai-core/src/main/java/com/dookay/cihai/core/aip/consts/LexerPosConst.java
......@@ -50,12 +50,22 @@ public interface LexerPosConst {
String NS = "ns";
/**
* 处所名词
*/
String S = "s";
/**
* 名形词
*/
String AN = "an";
/**
* 是否在重要词性中
*
* @param pos
* @return
*/
static boolean inThis(String pos) {
return Arrays.asList(N, NR, NZ, NT, NS).contains(pos);
return Arrays.asList(N, NR, NZ, NT, NS, S, AN).contains(pos);
}
}
serverside/cihai-core/src/test/java/com/dookay/cihai/core/BaiduDemo.java 0 → 100644
/*****************************************
* *
* @dookay.com Internet make it happen *
* ----------- ----------------------- *
* dddd ddddd Internet make it happen *
* o o o Internet make it happen *
* k k k Internet make it happen *
* a a a Internet make it happen *
* yyyy yyyyy Internet make it happen *
* ----------- ----------------------- *
* NO BUG ENJOY LIFE *
* *
****************************************/
package com.dookay.cihai.core;
import com.baidu.aip.nlp.AipNlp;
import org.json.JSONObject;
import java.util.HashMap;
/**
* @author 石磊
* @date 2017/12/5
*/
public class BaiduDemo {
//设置APPID/AK/SK
public static final String APP_ID = "10486245";
public static final String API_KEY = "ws8qdxT51xm2qbWufxzRedI3";
public static final String SECRET_KEY = "8b6g9ZyR69dFl6aqYdIOGa4IbOGgkdjh";
public static void main(String[] args) throws Exception {
// 初始化一个AipNlp
AipNlp client = new AipNlp(APP_ID, API_KEY, SECRET_KEY);
// 可选：设置网络连接参数
client.setConnectionTimeoutInMillis(2000);
client.setSocketTimeoutInMillis(60000);
String text = "山东是什么";
String text1 = "百度云登陆首页";
String text2 = "手机缝隙灰尘怎么清除";
// 调用接口
// // 词法
// String text = "陕西富平人";
// JSONObject res = client.lexer(text);
// System.out.println(res.toString(2));
//
// // 句法
HashMap<String, Object> option = new HashMap<>();
option.put("mode", 1);
JSONObject des = client.depParser(text, option);
System.out.println(des.toString(2));
JSONObject des1 = client.depParser(text1, option);
System.out.print(des1.toString(2));
JSONObject des2 = client.depParser(text2, option);
System.out.print(des2.toString(2));
//
// // 相似
// HashMap<String, String> option1 = new HashMap<>();
// option1.put("model", "BOW");
// JSONObject response = client.simnet("十九大","中国共产党第十九次全国代表大会", option1);
// System.out.println(response.toString(2));
// // 词向量
// JSONObject vect = client.wordEmbedding("习近平");
// System.out.println(vect.toString(2));
//
// // 相似
// HashMap<String, String> option1 = new HashMap<>();
// option1.put("model", "BOW");
// JSONObject response = client.simnet("十九大","中国共产党第十九次全国代表大会", option1);
// System.out.println(response.toString(2));
// // 词向量
// JSONObject vect = client.wordEmbedding("习近平");
// System.out.println(vect.toString(2));
}
}
serverside/cihai-core/src/test/java/com/dookay/cihai/core/BaiduTest.java
......@@ -15,15 +15,8 @@ package com.dookay.cihai.core;
****************************************/
import com.alibaba.fastjson.JSON;
import com.baidu.aip.nlp.AipNlp;
import com.dookay.cihai.core.aip.AipUtilBean;
import com.dookay.cihai.core.aip.LexerItem;
import com.dookay.cihai.core.aip.consts.LexerNeConst;
import com.dookay.cihai.core.aip.consts.LexerPosConst;
import com.hankcs.hanlp.HanLP;
import org.apache.commons.collections4.set.ListOrderedSet;
import org.json.JSONArray;
import org.json.JSONObject;
import org.junit.Assert;
import org.junit.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.core.io.ClassPathResource;
......@@ -32,11 +25,8 @@ import org.springframework.util.FileCopyUtils;
import java.io.File;
import java.io.FileReader;
import java.util.Comparator;
import java.util.List;
import java.util.Map;
import java.util.Set;
import java.util.stream.Collectors;
/**
* @author houkun
......@@ -48,17 +38,41 @@ public class BaiduTest extends CihaiCoreApplicationTests {
private AipUtilBean aipUtilBean;
@Test
public void test() throws Exception {
String text = "中国共产党第十九次全国代表大会（简称党的十九大）于2017年10月18日至10月24日在北京召开。\n" +
"2017年10月18日上午9:00，中国共产党第十九次全国代表大会在人民大会堂开幕。习近平代表第十八届中央委员会向大会作了题为《决胜全面建成小康社会 夺取新时代中国特色社会主义伟大胜利》的报告。\n" +
"这次大会的主题是：不忘初心，牢记使命，高举中国特色社会主义伟大旗帜，决胜全面建成小康社会，夺取新时代中国特色社会主义伟大胜利，为实现中华民族伟大复兴的中国梦不懈奋斗。\n" +
"党的十九大，是在全面建成小康社会决胜阶段、中国特色社会主义发展关键时期召开的一次十分重要的大会。承担着谋划决胜全面建成小康社会、深入推进社会主义现代化建设的重大任务，事关党和国家事业继往开来，事关中国特色社会主义前途命运，事关最广大人民根本利益。[1] \n" +
"2017年10月24日，中国共产党第十九次全国代表大会在选举产生新一届中央委员会和中央纪律检查委员会，通过关于十八届中央委员会报告的决议、关于十八届中央纪律检查委员会工作报告的决议、关于《中国共产党章程（修正案）》的决议后，在人民大会堂胜利闭幕。[2-3] ";
// Resource resource = new ClassPathResource("text.txt");
// File file = resource.getFile();
// FileReader reader = new FileReader(file);
// String text = FileCopyUtils.copyToString(reader);
public void testQuery() throws Exception {
String text1 = "什么是山东";
String text2 = "解释一下山东";
String text3 = "山东是什么";
String text4 = "山东是什么地方";
String text5 = "山东";
String expectResult = "山东";
String keyword1 = aipUtilBean.extractQueryKeyword(text1);
String keyword2 = aipUtilBean.extractQueryKeyword(text2);
String keyword3 = aipUtilBean.extractQueryKeyword(text3);
String keyword4 = aipUtilBean.extractQueryKeyword(text4);
String keyword5 = aipUtilBean.extractQueryKeyword(text5);
Assert.assertEquals(expectResult, keyword1);
Assert.assertEquals(expectResult, keyword2);
Assert.assertEquals(expectResult, keyword3);
Assert.assertEquals(expectResult, keyword4);
Assert.assertEquals(expectResult, keyword5);
}
@Test
public void test() throws Exception{
// String text = "中国共产党第十九次全国代表大会（简称党的十九大）于2017年10月18日至10月24日在北京召开。\n" +
// "2017年10月18日上午9:00，中国共产党第十九次全国代表大会在人民大会堂开幕。习近平代表第十八届中央委员会向大会作了题为《决胜全面建成小康社会 夺取新时代中国特色社会主义伟大胜利》的报告。\n" +
// "这次大会的主题是：不忘初心，牢记使命，高举中国特色社会主义伟大旗帜，决胜全面建成小康社会，夺取新时代中国特色社会主义伟大胜利，为实现中华民族伟大复兴的中国梦不懈奋斗。\n" +
// "党的十九大，是在全面建成小康社会决胜阶段、中国特色社会主义发展关键时期召开的一次十分重要的大会。承担着谋划决胜全面建成小康社会、深入推进社会主义现代化建设的重大任务，事关党和国家事业继往开来，事关中国特色社会主义前途命运，事关最广大人民根本利益。[1] \n" +
// "2017年10月24日，中国共产党第十九次全国代表大会在选举产生新一届中央委员会和中央纪律检查委员会，通过关于十八届中央委员会报告的决议、关于十八届中央纪律检查委员会工作报告的决议、关于《中国共产党章程（修正案）》的决议后，在人民大会堂胜利闭幕。[2-3] ";
Resource resource = new ClassPathResource("text.txt");
File file = resource.getFile();
FileReader reader = new FileReader(file);
String text = FileCopyUtils.copyToString(reader);
List<String> list = aipUtilBean.extractKeyWords(text, 10);
System.out.println(JSON.toJSONString(list));
Map<String, Long> map = aipUtilBean.extractNounWordsWithCount(text);
System.out.print(map.toString());
}
}
serverside/cihai-core/src/test/java/com/dookay/cihai/core/HankcsTest.java
......@@ -14,7 +14,8 @@ package com.dookay.cihai.core;
* *
****************************************/
import com.hankcs.hanlp.HanLP;
import com.alibaba.fastjson.JSON;
import com.dookay.coral.common.core.utils.lang.StringUtils;
import lombok.extern.slf4j.Slf4j;
import org.junit.Test;
import org.springframework.core.io.ClassPathResource;
......@@ -24,7 +25,7 @@ import org.springframework.util.FileCopyUtils;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import java.util.List;
import java.util.ArrayList;
/**
* 分词测试
......@@ -41,7 +42,9 @@ public class HankcsTest {
File file = resource.getFile();
FileReader reader = new FileReader(file);
String document = FileCopyUtils.copyToString(reader);
List<String> strings = HanLP.extractPhrase(document, 10);
log.info(strings.toString());
// ArrayList<String> result = splitDocument(document, 1000);
// log.info(String.valueOf(result.size()));
// log.info(JSON.toJSONString(result));
}
}
serverside/cihai-core/src/test/resources/application.properties
......@@ -18,3 +18,4 @@ mybatis.mapper-locations=classpath*:mapper/*.xml
aip.app-id=10486245
aip.api-key=ws8qdxT51xm2qbWufxzRedI3
aip.secret-key=8b6g9ZyR69dFl6aqYdIOGa4IbOGgkdjh
logging.level.com.dookay.cihai.core=debug
serverside/pom.xml
......@@ -91,6 +91,6 @@
<modules>
<module>cihai-core</module>
<module>cihai-wechat</module>
<module>cihai-app</module>
<module>cihai-admin</module>
</modules>
</project>
\ No newline at end of file
Markdown is supported
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!