中文分词算法 之 基于词典的正向最大匹配算法
问题导读1.中文分词算法包含哪些流程？2.DIC.contains(tryWord))词的作用是什么？3.词典越来越大，内存占用越来越多怎么办？static/image/hrline/4.gif
基于词典的正向最大匹配算法（最长词优先匹配），算法会根据词典文件自动调整最大长度，分词的好坏完全取决于词典。
算法流程图如下：
Java实现代码如下：
/**
* 基于词典的正向最大匹配算法
* @author 杨尚川
*/
public class WordSeg {
private static final List<String> DIC = new ArrayList<>();
private static final int MAX_LENGTH;
static{
try {
System.out.println("开始初始化词典");
int max=1;
int count=0;
List<String> lines = Files.readAllLines(Paths.get("D:/dic.txt"), Charset.forName("utf-8"));
for(String line : lines){
DIC.add(line);
count++;
if(line.length()>max){
max=line.length();
}
}
MAX_LENGTH = max;
System.out.println("完成初始化词典，词数目："+count);
System.out.println("最大分词长度："+MAX_LENGTH);
} catch (IOException ex) {
System.err.println("词典装载失败:"+ex.getMessage());
}
}
public static void main(String[] args){
String text = "杨尚川是APDPlat应用级产品开发平台的作者";
System.out.println(seg(text));
}
public static List<String> seg(String text){
List<String> result = new ArrayList<>();
while(text.length()>0){
int len=MAX_LENGTH;
if(text.length()<len){
len=text.length();
}
//取指定的最大长度的文本去词典里面匹配
String tryWord = text.substring(0, 0+len);
while(!DIC.contains(tryWord)){
//如果长度为一且在词典中未找到匹配，则按长度为一切分
if(tryWord.length()==1){
break;
}
//如果匹配不到，则长度减一继续匹配
tryWord=tryWord.substring(0, tryWord.length()-1);
}
result.add(tryWord);
//从待分词文本中去除已经分词的文本
text=text.substring(tryWord.length());
}
return result;
}
}
词典文件下载地址dic.rar，简单吧，呵呵
实现功能是简单，不过这里的词典中词的数目为：427452，我们需要频繁执行DIC.contains(tryWord))来判断一个词是否在词典中，所以优化这行代码能够显著提升分词效率（不要过早优化、不要做不成熟的优化）。
上面的代码是利用了JDK的Collection接口的contains方法来判断一个词是否在词典中，而这个方法的不同实现，其性能差异极大，上面的初始版本是用了ArrayList：List<String> DIC = new ArrayList<>()。那么这个ArrayList的性能如何呢？还有更好性能的实现吗？
通常来说，对于查找算法，在有序列表中查找比在无序列表中查找更快，分区查找比全局遍历要快。
通过查看ArrayList、LinkedList、HashSet的contains方法的源代码，发现ArrayList和LinkedList采用全局遍历的方式且未利用有序列表的优势，HashSet使用了分区查找，如果hash分布均匀冲突少，则需要遍历的列表就很少甚至不需要。理论归理论，还是写个代码来测测更直观放心，测试代码如下：
/**
* 比较词典查询算法的性能
* @author 杨尚川
*/
public class SearchTest {
//为了生成随机查询的词列表
private static final List<String> DIC_FOR_TEST = new ArrayList<>();
//通过更改这里DIC的实现来比较不同实现之间的性能
private static final List<String> DIC = new ArrayList<>();
static{
try {
System.out.println("开始初始化词典");
int count=0;
List<String> lines = Files.readAllLines(Paths.get("D:/dic.txt"), Charset.forName("utf-8"));
for(String line : lines){
DIC.add(line);
DIC_FOR_TEST.add(line);
count++;
}
System.out.println("完成初始化词典，词数目："+count);
} catch (IOException ex) {
System.err.println("词典装载失败:"+ex.getMessage());
}
}
public static void main(String[] args){
//选取随机值
List<String> words = new ArrayList<>();
for(int i=0;i<100000;i++){
words.add(DIC_FOR_TEST.get(new Random(System.nanoTime()+i).nextInt(427452)));
}
long start = System.currentTimeMillis();
for(String word : words){
DIC.contains(word);
}
long cost = System.currentTimeMillis()-start;
System.out.println("cost time:"+cost+" ms");
}
}
#分别运行10次测试，然后取平均值
LinkedList 10000次查询 cost time:48812 ms
ArrayList 10000次查询 cost time:40219 ms
HashSet 10000次查询 cost time:8 ms
HashSet 1000000次查询 cost time:258 ms
HashSet 100000000次查询 cost time:28575 ms
我们发现HashSet性能最好，比LinkedList和ArrayList快约3个数量级！这个测试结果跟前面的分析一致，LinkedList要比ArrayList慢一些，虽然他们都是全局遍历，但是LinkedList需要操作下一个数据的引用，所以会多一些操作，LinkedList因为需要保存前驱和后继引用，占用的内存也要高一些。
虽然HashSet已经有不错的性能了，但是如果词典越来越大，内存占用越来越多怎么办？如果有一个数据结构，有接近HashSet性能的同时，又能对词典的数据进行压缩以减少内存占用，那就完美了。
前缀树（Trie）有可能可以实现“鱼与熊掌兼得”的好事，自己实现一个Trie的数据结构，代码如下：
/**
* 前缀树的Java实现
* 用于查找一个指定的字符串是否在词典中
* @author 杨尚川
*/
public class Trie {
private final TrieNode ROOT_NODE = new TrieNode('/');
public boolean contains(String item){
//去掉首尾空白字符
item=item.trim();
int len = item.length();
if(len < 1){
return false;
}
//从根节点开始查找
TrieNode node = ROOT_NODE;
for(int i=0;i<len;i++){
char character = item.charAt(i);
TrieNode child = node.getChild(character);
if(child == null){
//未找到匹配节点
return false;
}else{
//找到节点，继续往下找
node = child;
}
}
if(node.isTerminal()){
return true;
}
return false;
}
public void addAll(List<String> items){
for(String item : items){
add(item);
}
}
public void add(String item){
//去掉首尾空白字符
item=item.trim();
int len = item.length();
if(len < 1){
//长度小于1则忽略
return;
}
//从根节点开始添加
TrieNode node = ROOT_NODE;
for(int i=0;i<len;i++){
char character = item.charAt(i);
TrieNode child = node.getChildIfNotExistThenCreate(character);
//改变顶级节点
node = child;
}
//设置终结字符，表示从根节点遍历到此是一个合法的词
node.setTerminal(true);
}
private static class TrieNode{
private char character;
private boolean terminal;
private final Map<Character,TrieNode> children = new ConcurrentHashMap<>();
public TrieNode(char character){
this.character = character;
}
public boolean isTerminal() {
return terminal;
}
public void setTerminal(boolean terminal) {
this.terminal = terminal;
}
public char getCharacter() {
return character;
}
public void setCharacter(char character) {
this.character = character;
}
public Collection<TrieNode> getChildren() {
return this.children.values();
}
public TrieNode getChild(char character) {
return this.children.get(character);
}
public TrieNode getChildIfNotExistThenCreate(char character) {
TrieNode child = getChild(character);
if(child == null){
child = new TrieNode(character);
addChild(child);
}
return child;
}
public void addChild(TrieNode child) {
this.children.put(child.getCharacter(), child);
}
public void removeChild(TrieNode child) {
this.children.remove(child.getCharacter());
}
}
public void show(){
show(ROOT_NODE,"");
}
private void show(TrieNode node, String indent){
if(node.isTerminal()){
System.out.println(indent+node.getCharacter()+"(T)");
}else{
System.out.println(indent+node.getCharacter());
}
for(TrieNode item : node.getChildren()){
show(item,indent+"\t");
}
}
public static void main(String[] args){
Trie trie = new Trie();
trie.add("APDPlat");
trie.add("APP");
trie.add("APD");
trie.add("Nutch");
trie.add("Lucene");
trie.add("Hadoop");
trie.add("Solr");
trie.add("杨尚川");
trie.add("杨尚昆");
trie.add("杨尚喜");
trie.add("中华人民共和国");
trie.add("中华人民打太极");
trie.add("中华");
trie.add("中心思想");
trie.add("杨家将");
trie.show();
}
}
修改前面的测试代码，把List<String> DIC = new ArrayList<>()改为Trie DIC = new Trie()，使用Trie来做词典查找，最终的测试结果如下：#分别运行10次测试，然后取平均值
LinkedList 10000次查询 cost time:48812 ms
ArrayList 10000次查询 cost time:40219 ms
HashSet 10000次查询 cost time:8 ms
HashSet 1000000次查询 cost time:258 ms
HashSet 100000000次查询 cost time:28575 ms
Trie 10000次查询 cost time:15 ms
Trie 1000000次查询 cost time:1024 ms
Trie 100000000次查询 cost time:104635 ms
可以发现Trie和HashSet的性能差异较小，在半个数量级以内，通过jvisualvm惊奇地发现Trie占用的内存比HashSet的大约2.6倍，如下图所示：
HashSet:
Trie:
词典中词的数目为427452，HashSet是基于HashMap实现的，所以我们看到占内存最多的是HashMap$Node、char[]和String，手动执行GC多次，这三种类型的实例数一直在变化，当然都始终大于词数427452。Trie是基于ConcurrentHashMap实现的，所以我们看到占内存最多的是ConcurrentHashMap、ConcurrentHashMap$Node[]、ConcurrentHashMap$Node、Trie$TrieNode和Character，手动执行GC多次，发现Trie$TrieNode的实例数一直保持不变，说明427452个词经过Trie处理后的节点数为603141。
很明显地可以看到，这里Trie的实现不够好，选用ConcurrentHashMap占用的内存相当大，那么我们如何来改进呢？把ConcurrentHashMap替换为HashMap可以吗？HashSet不是也基于HashMap吗？看看把ConcurrentHashMap替换为HashMap后的效果，如下图所示：
内存占用虽然少了10M左右，但仍然是HashSet的约2.4倍，本来是打算使用Trie来节省内存，没想反正更加占用内存了，既然使用HashMap来实现Trie占用内存极高，那么试试使用数组的方式，如下代码所示：
/**
* 前缀树的Java实现
* 用于查找一个指定的字符串是否在词典中
* @author 杨尚川
*/
public class TrieV2 {
private final TrieNode ROOT_NODE = new TrieNode('/');
public boolean contains(String item){
//去掉首尾空白字符
item=item.trim();
int len = item.length();
if(len < 1){
return false;
}
//从根节点开始查找
TrieNode node = ROOT_NODE;
for(int i=0;i<len;i++){
char character = item.charAt(i);
TrieNode child = node.getChild(character);
if(child == null){
//未找到匹配节点
return false;
}else{
//找到节点，继续往下找
node = child;
}
}
if(node.isTerminal()){
return true;
}
return false;
}
public void addAll(List<String> items){
for(String item : items){
add(item);
}
}
public void add(String item){
//去掉首尾空白字符
item=item.trim();
int len = item.length();
if(len < 1){
//长度小于1则忽略
return;
}
//从根节点开始添加
TrieNode node = ROOT_NODE;
for(int i=0;i<len;i++){
char character = item.charAt(i);
TrieNode child = node.getChildIfNotExistThenCreate(character);
//改变顶级节点
node = child;
}
//设置终结字符，表示从根节点遍历到此是一个合法的词
node.setTerminal(true);
}
private static class TrieNode{
private char character;
private boolean terminal;
private TrieNode[] children = new TrieNode;
public TrieNode(char character){
this.character = character;
}
public boolean isTerminal() {
return terminal;
}
public void setTerminal(boolean terminal) {
this.terminal = terminal;
}
public char getCharacter() {
return character;
}
public void setCharacter(char character) {
this.character = character;
}
public Collection<TrieNode> getChildren() {
return Arrays.asList(children);
}
public TrieNode getChild(char character) {
for(TrieNode child : children){
if(child.getCharacter() == character){
return child;
}
}
return null;
}
public TrieNode getChildIfNotExistThenCreate(char character) {
TrieNode child = getChild(character);
if(child == null){
child = new TrieNode(character);
addChild(child);
}
return child;
}
public void addChild(TrieNode child) {
children = Arrays.copyOf(children, children.length+1);
this.children=child;
}
}
public void show(){
show(ROOT_NODE,"");
}
private void show(TrieNode node, String indent){
if(node.isTerminal()){
System.out.println(indent+node.getCharacter()+"(T)");
}else{
System.out.println(indent+node.getCharacter());
}
for(TrieNode item : node.getChildren()){
show(item,indent+"\t");
}
}
public static void main(String[] args){
TrieV2 trie = new TrieV2();
trie.add("APDPlat");
trie.add("APP");
trie.add("APD");
trie.add("杨尚川");
trie.add("杨尚昆");
trie.add("杨尚喜");
trie.add("中华人民共和国");
trie.add("中华人民打太极");
trie.add("中华");
trie.add("中心思想");
trie.add("杨家将");
trie.show();
}
}
内存占用情况如下图所示：
现在内存占用只有HashSet方式的80%了，内存问题总算是解决了，进一步分析，如果词典够大，词典中有共同前缀的词足够多，节省的内存空间一定非常客观。那么性能呢？看如下重新测试的数据：
#分别运行10次测试，然后取平均值
LinkedList 10000次查询 cost time:48812 ms
ArrayList 10000次查询 cost time:40219 ms
HashSet 10000次查询 cost time:8 ms
HashSet 1000000次查询 cost time:258 ms
HashSet 100000000次查询 cost time:28575 ms
Trie 10000次查询 cost time:15 ms
Trie 1000000次查询 cost time:1024 ms
Trie 100000000次查询 cost time:104635
TrieV1 10000次查询 cost time:16 ms
TrieV1 1000000次查询 cost time:780 ms
TrieV1 100000000次查询 cost time:90949 ms
TrieV2 10000次查询 cost time:50 ms
TrieV2 1000000次查询 cost time:4361 ms
TrieV2 100000000次查询 cost time:483398
总结一下，ArrayList和LinkedList方式实在太慢，跟最快的HashSet比将近慢约3个数量级，果断抛弃。Trie比HashSet慢约半个数量级，内存占用多约2.6倍，改进的TrieV1比Trie稍微节省一点内存约10%，速度差不多。进一步改进的TrieV2比Trie大大节省内存，只有HashSet的80%，不过速度比HashSet慢约1.5个数量级。
TrieV2实现了节省内存的目标，节省了约70%，但是速度也慢了，慢了约10倍，可以对TrieV2做进一步优化，TrieNode的数组children采用有序数组，采用二分查找来加速。
下面看看TrieV3的实现：
使用了一个新的方法insert来加入数组元素，从无到有构建有序数组，把新的元素插入到已有的有序数组中，insert的代码如下：
/**
* 将一个字符追加到有序数组
* @param array 有序数组
* @param element 字符
* @return 新的有序数字
*/
private TrieNode[] insert(TrieNode[] array, TrieNode element){
int length = array.length;
if(length == 0){
array = new TrieNode;
array = element;
return array;
}
TrieNode[] newArray = new TrieNode;
boolean insert=false;
for(int i=0; i<length; i++){
if(element.getCharacter() <= array.getCharacter()){
//新元素找到合适的插入位置
newArray=element;
//将array中剩下的元素依次加入newArray即可退出比较操作
System.arraycopy(array, i, newArray, i+1, length-i);
insert=true;
break;
}else{
newArray=array;
}
}
if(!insert){
//将新元素追加到尾部
newArray=element;
}
return newArray;
}
有了有序数组，在搜索的时候就可以利用有序数组的优势，重构搜索方法getChild：
数组中的元素是TrieNode，所以需要自定义TrieNode的比较方法：
好了，一个基于有序数组的二分搜索的性能提升重构就完成了，良好的单元测试是重构的安全防护网，没有单元测试的重构就犹如高空走钢索却没有防护垫一样危险，同时，不过早优化，不做不成熟的优化是我们应该谨记的原则，要根据应用的具体场景在算法的时空中做权衡。
OK，看看TrieV3的性能表现，当然了，内存使用没有变化，和TrieV2一样：
TrieV2 10000次查询 cost time:50 ms
TrieV2 1000000次查询 cost time:4361 ms
TrieV2 100000000次查询 cost time:483398 ms
TrieV3 10000次查询 cost time:21 ms
TrieV3 1000000次查询 cost time:1264 ms
TrieV3 100000000次查询 cost time:121740 ms
提升效果很明显，约4倍。性能还有提升的空间吗？呵呵......
代码托管于GITHUB
好文，还有其他的吗，例如最小切分什么的 写的非常棒，已拜读 好帖，很详细，学习了
页:
[1]