（1）英文分词——波特词干提取算法

淩亂°似流年 2022-07-29 08:50 95阅读 0赞

英文分词相比中文分词要简单得多，可以根据空格和标点符号来分词，然后对每一个单词进行词干还原和词形还原，去掉停用词和非英文内容。词干还原算法最经典的就是波特算法(Porter Algorithm官网[http://tartarus.org/~martin/PorterStemmer/][http_tartarus.org_martin_PorterStemmer] )

Java版的波特词干提取算法代码如下:

import java.io.*;
    
    /** * 实现波特词干提取算法，将一个单词转换为它的原型。 */
    class PorterStemmer{
    
        private char[] b; /* 用来存待词干提取的单词（以char的形式） */
        private int i,     /* b中的元素位置（偏移量） */
                i_end, /* 要抽取词干单词的结束位置 */
                j, k;
        private static final int INC = 50;/* 随着b的大小增加数组要增长的长度（防止溢出） */
    
        public PorterStemmer(){
            b = new char[INC];
            i = 0;
            i_end = 0;
        }
    
        /** * 增加一个字符到要存放待处理的单词的数组。添加完字符时， * 可以调用stem(void)方法来进行抽取词干的工作。 * @param ch 字符 */
        public void add(char ch){  
            if (i == b.length){
                char[] new_b = new char[i+INC];
                for (int c = 0; c < i; c++) new_b[c] = b[c];
                b = new_b;
            }
            b[i++] = ch;
        }
    
        /** * 增加字符数组ch到存放待处理的单词的数组b * @param ch 字符数组 */
        public void add(char[] ch){
            add(ch,ch.length);
        }
    
        /** * 增加wLen长度的字符数组到存放待处理的单词的数组b。 * @param w 字符数组 * @param wLen 数组长度 */
        public void add(char[] w, int wLen){
            if (i+wLen >= b.length){  
                char[] new_b = new char[i+wLen+INC];
                for (int c = 0; c < i; c++) new_b[c] = b[c];
                b = new_b;
           }
           for (int c = 0; c < wLen; c++) b[i++] = w[c];
        }
    
        /** * 返回单词的词干。 */
        public String toString() { return new String(b,0,i_end); }
    
        /** * 返回单词的词干的长度 */
        public int getResultLength() { return i_end; }
    
        /** * 返回单词的词干char[] */
        public char[] getResultBuffer() { return b; }
    
        /** * cons(i)：参数i：int型；返回值bool型。当i为辅音时，返回真；否则为假 * @param i b数组下标 * @return cons(i) 为真 <=> b[i] 是一个辅音 */
        private final boolean cons(int i){  
            switch (b[i]){  
                case 'a': case 'e': case 'i': case 'o': case 'u': return false;
                //y开头，为辅；否则看i-1位，如果i-1位为辅，y为元，反之亦然。 
                case 'y': return (i==0) ? true : !cons(i-1);
                default: return true;
            }
        }
    
        /** */
        /** * m()：返回值：int型。表示单词b介于0和j之间辅音序列的个数。 * 现假设c代表辅音序列，而v代表元音序列。<..>表示任意存在。于是有如下定义： <c><v> 结果为 0 <c>vc<v> 结果为 1 <c>vcvc<v> 结果为 2 <c>vcvcvc<v> 结果为 3 .... * @return 单词b介于0和j之间辅音序列的个数 */
        private final int m(){  
            int n = 0;//辅音序列的个数，初始化
            int i = 0;//偏移量
            //<c>
            while(true){  
                if (i > j) return n;//如果超出最大偏移量，直接返回n
                if (!cons(i)) break; //如果是元音，中断
                i++;  //辅音移一位，直到元音的位置 
            }
            i++;//移完辅音，从元音的第一个字符开始 
            while(true){  //循环计算vc的个数 
                //<v>
                while(true){  //循环判断v 
                    if (i > j) return n;
                    if (cons(i)) break; //出现辅音则终止循环
                    i++;
                }
                i++;
                n++;
                //<c>
                while(true){  //循环判断c 
                    if (i > j) return n;
                    if (!cons(i)) break;
                    i++;
                }
                i++;
              }
        }
    
        /** * vowelinstem()：返回值：bool型。表示单词b介于0到i之间是否存在元音。 * @return vowelinstem() 为真 <=> 0,...j 包含一个元音 */
        private final boolean vowelinstem(){  
            int i; 
            for (i = 0; i <= j; i++) 
                if (!cons(i)) 
                    return true;
            return false;
        }
    
        /** * doublec(j)：参数j：int型；返回值bool型。 * 这个函数用来表示在j和j-1位置上的两个字符是否是相同的辅音。 * @param j 数组b的下标 * @return doublec(j) 为真 <=> j,(j-1) 包含两个一样的辅音 */
        private final boolean doublec(int j){  
            if (j < 1) return false;
            if (b[j] != b[j-1]) return false;
            return cons(j);
        }
    
        /** * cvc(i)：参数i：int型；返回值bool型。 * 对于i，i-1，i-2位置上的字符，它们是“辅音-元音-辅音”的形式， * 并且对于第二个辅音，它不能为w、x、y中的一个。 * 这个函数用来处理以e结尾的短单词。比如说cav(e)，lov(e)，hop(e)，crim(e)。 * 但是像snow，box，tray就不符合条件。 * @param i 下标 * @return boolean */
        private final boolean cvc(int i){  
            if (i < 2 || !cons(i) || cons(i-1) || !cons(i-2)) 
                return false;
            else{
                int ch = b[i];
                if (ch == 'w' || ch == 'x' || ch == 'y') return false;
            }
            return true;
        }
    
        /** * ends(s)：参数：String；返回值：bool型。用于判断b是否以s结尾。 * @param s 字符串 * @return 判断b是否以s结尾 */
        private final boolean ends(String s){  
            int l = s.length();
            int o = k-l+1;
            if (o < 0) return false;
            for (int i = 0; i < l; i++) 
                if (b[o+i] != s.charAt(i)) 
                    return false;
            j = k-l;
            return true;
        }
    
        /** * 把b在(j+1)...k位置上的字符设为s，同时，调整k的大小 * @param s 字符串 */
        private final void setto(String s){  
            int l = s.length();
            int o = j+1;
            for (int i = 0; i < l; i++) 
                b[o+i] = s.charAt(i);
            k = j+l;
        }
    
        /** * 在m()>0的情况下，调用setto(s)。 * @param s 字符串 */
        private final void r(String s) { 
            if (m() > 0) setto(s); 
        }
    
        //分六步来进行处理的过程
        /** step1() 处理复数，以及ed和ing结束的单词。比如： caresses -> caress ponies -> poni ties -> ti caress -> caress cats -> cat feed -> feed agreed -> agree disabled -> disable matting -> mat mating -> mate meeting -> meet milling -> mill messing -> mess meetings -> meet */
        private final void step1(){  
            if (b[k] == 's'){  
                if (ends("sses")) k -= 2; //以“sses结尾” 
                else if (ends("ies")) setto("i"); //以ies结尾，置为i
                else if (b[k-1] != 's') k--;//两个s结尾不处理 
           }
           if (ends("eed")) { 
               //以“eed”结尾，当m>0时，左移一位
                if (m() > 0) k--; 
           } else if ((ends("ed") || ends("ing")) && vowelinstem()){  
                k = j;
                if (ends("at")) setto("ate"); 
                else if (ends("bl")) setto("ble"); 
                else if (ends("iz")) setto("ize"); 
                else if (doublec(k)){  //如果有两个相同辅音 
                    k--;
                    int ch = b[k];
                    if (ch == 'l' || ch == 's' || ch == 'z') k++;
               }
               else if (m() == 1 && cvc(k)) setto("e");
            }
        }
    
        /** step2() 如果单词中包含元音，并且以y结尾，将y改为i */
        private final void step2() { 
            if (ends("y") && vowelinstem()){
                b[k] = 'i'; 
            }
        }
    
        /** step3() 将双后缀的单词映射为单后缀。 * 所以 -ization ( = -ize 加上 -ation) 被映射到 -ize 等等。 * 注意在去除后缀之前必须确保m()>0. */
        private final void step3() { 
            if (k == 0) return;  
            switch (b[k-1]){
                case 'a': if (ends("ational")) { r("ate"); break; }
                          if (ends("tional")) { r("tion"); break; }
                          break;
                case 'c': if (ends("enci")) { r("ence"); break; }
                          if (ends("anci")) { r("ance"); break; }
                          break;
                case 'e': if (ends("izer")) { r("ize"); break; }
                          break;
                case 'l': if (ends("bli")) { r("ble"); break; }
                          if (ends("alli")) { r("al"); break; }
                          if (ends("entli")) { r("ent"); break; }
                          if (ends("eli")) { r("e"); break; }
                          if (ends("ousli")) { r("ous"); break; }
                          break;
                case 'o': if (ends("ization")) { r("ize"); break; }
                          if (ends("ation")) { r("ate"); break; }
                          if (ends("ator")) { r("ate"); break; }
                          break;
                case 's': if (ends("alism")) { r("al"); break; }
                          if (ends("iveness")) { r("ive"); break; }
                          if (ends("fulness")) { r("ful"); break; }
                          if (ends("ousness")) { r("ous"); break; }
                          break;
                case 't': if (ends("aliti")) { r("al"); break; }
                          if (ends("iviti")) { r("ive"); break; }
                          if (ends("biliti")) { r("ble"); break; }
                          break;
                case 'g': if (ends("logi")) { r("log"); break; }
            }
        }
    
        /** step4() 处理-ic-，-full，-ness等等后缀。和步骤3有着类似的处理 */
        private final void step4() { 
            switch (b[k]){
                case 'e': if (ends("icate")) { r("ic"); break; }
                          if (ends("ative")) { r(""); break; }
                          if (ends("alize")) { r("al"); break; }
                          break;
                case 'i': if (ends("iciti")) { r("ic"); break; }
                          break;
                case 'l': if (ends("ical")) { r("ic"); break; }
                          if (ends("ful")) { r(""); break; }
                          break;
                case 's': if (ends("ness")) { r(""); break; }
                          break;
            } 
        }
    
        /** step5() 在<c>vcvc<v>情形下，去除-ant，-ence等后缀。 */
        private final void step5(){   
            if (k == 0) return; /* for Bug 1 */
            switch (b[k-1]){  
                case 'a': if (ends("al")) break; return;
                case 'c': if (ends("ance")) break;
                          if (ends("ence")) break; return;
                case 'e': if (ends("er")) break; return;
                case 'i': if (ends("ic")) break; return;
                case 'l': if (ends("able")) break;
                          if (ends("ible")) break; return;
                case 'n': if (ends("ant")) break;
                          if (ends("ement")) break;
                          if (ends("ment")) break;
                          /* element etc. not stripped before the m */
                          if (ends("ent")) break; return;
                case 'o': if (ends("ion") && j >= 0 && (b[j] == 's' || b[j] == 't')) break;
                                          /* j >= 0 fixes Bug 2 */
                          if (ends("ou")) break; return;
                          /* takes care of -ous */
                case 's': if (ends("ism")) break; return;
                case 't': if (ends("ate")) break;
                          if (ends("iti")) break; return;
                case 'u': if (ends("ous")) break; return;
                case 'v': if (ends("ive")) break; return;
                case 'z': if (ends("ize")) break; return;
                default: return;
            }
            if (m() > 1) k = j;
        }
    
        /** step6() 在m()>1的情况下，移除末尾的“e”。*/
        private final void step6(){  
            j = k;
            if (b[k] == 'e'){  
                int a = m();
                if (a > 1 || a == 1 && !cvc(k-1)) k--;
            }
            if (b[k] == 'l' && doublec(k) && m() > 1) k--;
        }
    
        /** 通过调用add()方法来将单词放入词干器数组b中 * 可以通过下面的方法得到结果： getResultLength()+getResultBuffer() or toString(). */
        public void stem(){  
            k = i - 1;
            if (k > 1) { step1(); step2(); step3(); step4(); step5(); step6(); }
            i_end = k+1; 
            i = 0;
        }
    
        /** * Test program for demonstrating the Stemmer. It reads text from a * a list of files, stems each word, and writes the result to standard * output. Note that the word stemmed is expected to be in lower case: * forcing lower case must be done outside the Stemmer class. * Usage: Stemmer file-name file-name ... * @param args file-name file-name ... */
        public static void main(String[] args){
          char[] w = new char[501];
          PorterStemmer s = new PorterStemmer();
          for (int i = 0; i < args.length; i++)
          try{
             FileInputStream in = new FileInputStream(args[i]);
             try{ 
                 while(true){  
                    int ch = in.read();
                    if (Character.isLetter((char) ch)){
                        int j = 0;
                        while(true){  
                            ch = Character.toLowerCase((char) ch);
                            w[j] = (char) ch;
                            if (j < 500) j++;
                            ch = in.read();
                            if (!Character.isLetter((char) ch)){
                                //to test add(char ch)
                                for (int c = 0; c < j; c++) s.add(w[c]);
                                //or, to test add(char[] w, int j) 
                                // s.add(w, j); 
                                s.stem();
                                String u;
                                //and now, to test toString() : 
                                u = s.toString();
                                //to test getResultBuffer(), getResultLength() :
                                //u = new String(s.getResultBuffer(), 0, s.getResultLength()); 
                                System.out.print(u);
                           break;
                        }
                     }
                  }
                  if (ch < 0) break;
                  System.out.print((char)ch);
               }
             }catch (IOException e){  
                 System.out.println("error reading " + args[i]);
                 break;
             }
          }catch (FileNotFoundException e){  
              System.out.println("file " + args[i] + " not found");
              break;
          }
       }
    
        /** * 对某个单词进行词干提取，返回词干 * @param s 单词字符串 * @return 词干 */
        public String stem(String s){
            char[] ch=s.toLowerCase().toCharArray();
            add(ch);
            stem();
            return toString();
        }    
    
        /**对一系列文本中的所有单词stemming * @param stemFile 待stemming的文本文件路径组成的字符串数组 */
        /** * * @param stemFile * @throws IOException */
        public static void porterMain(String[] stemFile) throws IOException{
           char[] w = new char[501];
           PorterStemmer s = new PorterStemmer(); 
           for (int i = 0; i < stemFile.length; i++)
           try{
              FileInputStream in = new FileInputStream(stemFile[i]);
              FileWriter targetFileWriter = new FileWriter(stemFile[i] + "stemed");
              try{ 
                  while(true){  
                    int ch = in.read();
                    if (Character.isLetter((char) ch)){
                        int j = 0;
                        while(true){  
                           ch = Character.toLowerCase((char) ch);
                           w[j] = (char) ch;
                           if (j < 500) j++;
                           ch = in.read();
                           if (!Character.isLetter((char) ch)){
                                /* to test add(char ch) */
                                for (int c = 0; c < j; c++) s.add(w[c]);
                                /* or, to test add(char[] w, int j) */
                                /* s.add(w, j); */
                                s.stem();
                                String u;
                                /* and now, to test toString() : */
                                u = s.toString();
                                /* to test getResultBuffer(), getResultLength() : */
                                /* u = new String(s.getResultBuffer(), 0, s.getResultLength()); */
                                //System.out.print(u);
                                targetFileWriter.write(u + "\n");
                              break;
                           }
                        }
                     }
                     if (ch < 0) break;
                     System.out.print((char)ch);
                  }
                  targetFileWriter.close();
              }catch (IOException e){  
                    System.out.println("error reading " + stemFile[i]);
                    break;
              }
           }catch (FileNotFoundException e){  
               System.out.println("file " + stemFile[i] + " not found");
               break;
           }
        }
    }

参考自：[http://blog.csdn.net/noobzc1/article/details/8902881][http_blog.csdn.net_noobzc1_article_details_8902881]

[http_tartarus.org_martin_PorterStemmer]: http://tartarus.org/~martin/PorterStemmer/
[http_blog.csdn.net_noobzc1_article_details_8902881]: http://blog.csdn.net/noobzc1/article/details/8902881