Han Language Processing 是 NLP Toolkit，1.x 版以 java 開發，目前正在做 2.x 版，改以 python 開發。1.x 版如果要用 python 呼叫，要用 pyhanlp 套件，內部也是透過 jpype 套件呼叫 java 的程式介面，但因為 JVM 的限制，無法在程式中 shutdown 並 restart JVM。
HanLP 1x 的文件有將所有功能列出來
設定
先建立一個 Maven Project，在 pom.xml 中加入
<dependency>
<groupId>com.hankcs</groupId>
<artifactId>hanlp</artifactId>
<version>portable-1.7.8</version>
</dependency>下載 data.zip，解壓縮後得到 dictionary 與 model 兩個目錄，放到 project 的 data 目錄中。
下載 hanlp-release.zip ，解壓縮後，只要取 hanlp.properties，把檔案放到 project 的 classpath 中，如果 data 目錄為 /project/hanlp/data，修改第一行為
root=/project/hanlp/Demo
import com.hankcs.hanlp.HanLP;
public class Test {
public static void main(String[] args) {
System.out.println(HanLP.segment("你好，欢迎使用HanLP汉语处理包！"));
}
}
執行結果為分詞以及詞性
[你好/l, ，/w, 欢迎/v, 使用/v, HanLP/nx, 汉语/nz, 处理/v, 包/v, ！/w]如果將同樣的句子改為繁體中文，其分詞的結果不如預期那麼好，甚至把 歡 漢 判斷為標點符號
[你好/l, ，/w, 歡/w, 迎/v, 使用/v, HanLP/nx, 漢/w, 語處/n, 理/n, 包/v, ！/w]標準分詞
List<Term> termList = StandardTokenizer.segment("商品和服务");
System.out.println(termList);HanLP.segment 就是封裝了 StandardTokenizer.segment
NLP 分詞
System.out.println(NLPTokenizer.segment("我新造一个词叫幻想乡你能识别并标注正确词性吗？"));
// 注意观察下面两个“希望”的词性、两个“晚霞”的词性
System.out.println(NLPTokenizer.analyze("我的希望是希望张晚霞的背影被晚霞映红").translateLabels());
System.out.println(NLPTokenizer.analyze("支援臺灣正體香港繁體：微软公司於1975年由比爾·蓋茲和保羅·艾倫創立。"));執行結果
[我/r, 新/d, 造/v, 一个/m, 词/n, 叫/v, 幻想乡/ns, 你/r, 能/v, 识别/v, 并/c, 标注/v, 正确/a, 词性/n, 吗/y, ？/w]
我/代词 的/助词 希望/名动词 是/动词 希望/动词 张/量词 晚霞/名词 的/助词 背影/名词 被/介词 晚霞/名词 映红/动词
支援/v 臺灣/ns 正體/n 香港/ns 繁體/n ：/w 微软公司/ntc 於/p 1975年/t 由/p 比爾·蓋茲/nr 和/c 保羅·艾倫/nr 創立/v 。/w剛剛 Demo 繁體中文發生的問題，改用 NLPTokenizer.analyze 可以解決
System.out.println(NLPTokenizer.analyze("你好，歡迎使用HanLP漢語處理包！"));執行結果
你好/l ，/w 歡迎/v 使用/v HanLP/nx 漢語/nz 處理/vn 包/n ！/w索引分詞
索引分詞 IndexTokenizer 是用在搜索引擎的分詞器，另外可用 term.offset 取得單詞偏移量
List<Term> termList = IndexTokenizer.segment("主副食品");
for (Term term : termList)
{
System.out.println(term + " [" + term.offset + ":" + (term.offset + term.word.length()) + "]");
}執行結果
主副食品/n [0:4]
主副食/j [0:3]
副食品/n [1:4]
副食/n [1:3]
食品/n [2:4]N-最短路徑分詞
Segment nShortSegment = new NShortSegment().enableCustomDictionary(false).enablePlaceRecognize(true).enableOrganizationRecognize(true);
Segment shortestSegment = new DijkstraSegment().enableCustomDictionary(false).enablePlaceRecognize(true).enableOrganizationRecognize(true);
String[] testCase = new String[]{
"提供第一手全球各地最即时的突发事件报导，为网友精准掌握新闻脉动",
"指挥中心再次呼吁民众进入医疗机构务必全程佩戴口罩",
};
for (String sentence : testCase)
{
System.out.println("N-最短分词：" + nShortSegment.seg(sentence) + "\n最短路分词：" + shortestSegment.seg(sentence));
}執行結果
N-最短分词：[提供/v, 第一/m, 手/n, 全球/n, 各地/r, 最/d, 即时/d, 的/uj, 突发/vn, 事件/n, 报导/n, ，/w, 为/p, 网友/n, 精/a, 准/a, 掌握/v, 新闻/n, 脉/ng, 动/v]
最短路分词：[提供/v, 第一/mq, 手/n, 全球/n, 各地/r, 最/d, 即时/d, 的/uj, 突发/vn, 事件/n, 报导/n, ，/w, 为/p, 网友/n, 精/a, 准/a, 掌握/v, 新闻/n, 脉/ng, 动/v]
N-最短分词：[指挥中心/nt, 再次/d, 呼吁/v, 民众/n, 进入/v, 医疗机构/nt, 务必/d, 全程/n, 佩戴/v, 口罩/n]
最短路分词：[指挥中心/nt, 再次/d, 呼吁/v, 民众/n, 进入/v, 医疗机构/nt, 务必/d, 全程/n, 佩戴/v, 口罩/n]CRF 分詞
CRF 對於新的詞的辨識比較好
CRFLexicalAnalyzer analyzer = new CRFLexicalAnalyzer();
String[] tests = new String[]{
"商品和服务",
"指挥中心再次呼吁民众进入医疗机构务必全程佩戴口罩",
"微软公司於1975年由比爾·蓋茲和保羅·艾倫創立，18年啟動以智慧雲端、前端為導向的大改組。" // 支持繁体中文
};
for (String sentence : tests) {
System.out.println(analyzer.analyze(sentence));
}執行結果
商品/n 和/c 服务/vn
指挥/vn 中心/n 再次/d 呼吁/v 民众/n 进入/v 医疗机构/nz 务必/d 全程/n 佩戴/v 口罩/n
微软公司/ntc 於/p 1975年/t 由/p 比爾·蓋茲/n 和/c 保羅·艾倫/v 創立/v ，/w 18年/t 啟動/v 以/p 智慧/n 雲端/n 、/w 前端/n 為/v 導向/n 的/u 大/a 改組/vn 。/w極速詞典分詞
以 AhoCorasickDoubleArrayTrie 實作的詞典分詞
String text = "江西鄱阳湖干枯，中国最大淡水湖变成大草原";
System.out.println(SpeedTokenizer.segment(text));
long start = System.currentTimeMillis();
int pressure = 1000000;
for (int i = 0; i < pressure; ++i)
{
SpeedTokenizer.segment(text);
}
double costTime = (System.currentTimeMillis() - start) / (double)1000;
System.out.printf("分词速度：%.2f字每秒", text.length() * pressure / costTime);執行結果
[江西/null, 鄱阳湖/null, 干枯/null, ，/null, 中国/null, 最/null, 大/null, 淡水湖/null, 变成/null, 大/null, 草原/null]
分词速度：14792899.41字每秒自訂詞典
// 动态增加
CustomDictionary.add("攻城狮");
// 强行插入
CustomDictionary.insert("白富美", "nz 1024");
// 删除词语（注释掉试试）
// CustomDictionary.remove("攻城狮");
System.out.println(CustomDictionary.add("单身狗", "nz 1024 n 1"));
System.out.println(CustomDictionary.get("单身狗"));
String text = "攻城狮逆袭单身狗，迎娶白富美，走上人生巅峰"; // 怎么可能噗哈哈！
// AhoCorasickDoubleArrayTrie自动机扫描文本中出现的自定义词语
final char[] charArray = text.toCharArray();
CustomDictionary.parseText(charArray, new AhoCorasickDoubleArrayTrie.IHit<CoreDictionary.Attribute>()
{
public void hit(int begin, int end, CoreDictionary.Attribute value)
{
System.out.printf("[%d:%d]=%s %s\n", begin, end, new String(charArray, begin, end - begin), value);
}
});
// 自定义词典在所有分词器中都有效
System.out.println(HanLP.segment(text));true
nz 1024 n 1
[0:3]=攻城狮 nz 1
[5:8]=单身狗 nz 1024 n 1
[11:14]=白富美 nz 1024
[攻城狮/nz, 逆/vg, 袭/v, 单身狗/nz, ，/w, 迎娶/v, 白富美/nz, ，/w, 走/v, 上/f, 人生/n, 巅峰/n]CustomDictionary 是 global 自定詞典，可以隨時增刪
自訂詞典並不代表就一定能取得該分詞的結果，例如 "川普" 跟 "四川普通人" 的問題
com.hankcs.hanlp.seg.Segment#enableCustomDictionaryForcing 可使用這個
人名辨識
所有的分詞器預設都開啟了人名識別
String[] testCase = new String[]{
"签约仪式前，秦光荣、李纪恒、仇和等一同会见了参加签约的企业家。",
"王国强、高峰、汪洋、张朝阳光着头、韩寒、小四",
"张浩和胡健康复员回家了",
"王总和小丽结婚了",
"编剧邵钧林和稽道青说",
"这里有关天培的有关事迹",
"龚学平等领导,邓颖超生前",
};
Segment segment = HanLP.newSegment().enableNameRecognize(true);
for (String sentence : testCase)
{
List<Term> termList = segment.seg(sentence);
System.out.println(termList);
}執行結果
[签约/v, 仪式/n, 前/f, ，/w, 秦光荣/nr, 、/w, 李纪恒/nr, 、/w, 仇和/nr, 等/u, 一同/d, 会见/v, 了/ul, 参加/v, 签约/v, 的/uj, 企业家/n, 。/w]
[王国强/nr, 、/w, 高峰/n, 、/w, 汪洋/n, 、/w, 张朝阳/nr, 光着头/l, 、/w, 韩寒/nr, 、/w, 小四/nr]
[张浩和/nr, 胡健康/nr, 复员/vn, 回家/v, 了/ul]
[王总/nr, 和/c, 小丽/nr, 结婚/v, 了/ul]
[编剧/n, 邵钧林/nr, 和/c, 稽道青/nr, 说/v]
[这里/r, 有/v, 关天培/nr, 的/uj, 有关/vn, 事迹/n]
[龚学平/nr, 等/u, 领导/n, ,/w, 邓颖超/nr, 生前/t]音譯人名識別
String[] testCase = new String[]{
"一桶冰水当头倒下，微软的比尔盖茨、Facebook的扎克伯格跟桑德博格、亚马逊的贝索斯、苹果的库克全都不惜湿身入镜，这些硅谷的科技人，飞蛾扑火似地牺牲演出，其实全为了慈善。",
"世界上最长的姓名是简森·乔伊·亚历山大·比基·卡利斯勒·达夫·埃利奥特·福克斯·伊维鲁莫·马尔尼·梅尔斯·帕特森·汤普森·华莱士·普雷斯顿。",
};
Segment segment = HanLP.newSegment().enableTranslatedNameRecognize(true);
for (String sentence : testCase)
{
List<Term> termList = segment.seg(sentence);
System.out.println(termList);
}執行結果
[一/m, 桶/q, 冰/n, 水/n, 当头/d, 倒下/v, ，/w, 微软/ntc, 的/uj, 比尔盖茨/nrf, 、/w, Facebook/nx, 的/uj, 扎克伯格/nrf, 跟/p, 桑德/nrf, 博格/nrf, 、/w, 亚马逊/nrf, 的/uj, 贝索斯/nrf, 、/w, 苹果/n, 的/uj, 库克/nrf, 全都/d, 不惜/v, 湿/a, 身/ng, 入/v, 镜/ng, ，/w, 这些/r, 硅谷/n, 的/uj, 科技/n, 人/n, ，/w, 飞蛾扑火/nz, 似地/d, 牺牲/v, 演出/v, ，/w, 其实/d, 全/a, 为了/p, 慈善/a, 。/w]
[世界/n, 上/f, 最/d, 长/a, 的/uj, 姓名/n, 是/v, 简森·乔伊·亚历山大·比基·卡利斯勒·达夫·埃利奥特·福克斯·伊维鲁莫·马尔尼·梅尔斯·帕特森·汤普森·华莱士·普雷斯顿/nrf, 。/w]日本人名識別
預設 關閉 了日本人名識別
String[] testCase = new String[]{
"北川景子参演了林诣彬导演的《速度与激情3》",
"林志玲亮相网友:确定不是波多野结衣？",
};
Segment segment = HanLP.newSegment().enableJapaneseNameRecognize(true);
for (String sentence : testCase)
{
List<Term> termList = segment.seg(sentence);
System.out.println(termList);
}執行結果
[北川景子/nrj, 参演/v, 了/ul, 林诣彬/nr, 导演/n, 的/uj, 《/w, 速度/n, 与/p, 激情/n, 3/m, 》/w]
[林志玲/nr, 亮/v, 相/d, 网友/n, :/w, 确定/v, 不是/c, 波多野结衣/nrj, ？/w]地名識別
預設關閉了地名識別
String[] testCase = new String[]{
"武胜县新学乡政府大楼门前锣鼓喧天",
"蓝翔给宁夏固原市彭阳县红河镇黑牛沟村捐赠了挖掘机",
};
Segment segment = HanLP.newSegment().enablePlaceRecognize(true);
for (String sentence : testCase)
{
List<Term> termList = segment.seg(sentence);
System.out.println(termList);
}執行結果
[武胜县/ns, 新/a, 学/v, 乡政府/n, 大楼/n, 门前/s, 锣鼓喧天/i]
[蓝翔/nt, 给/p, 宁夏/ns, 固原市/ns, 彭阳县/ns, 红河镇/ns, 黑牛沟村/ns, 捐赠/v, 了/ul, 挖掘机/n]
機構名識別
預設關閉
String[] testCase = new String[]{
"我在上海林原科技有限公司兼职工作，",
"我经常在台川喜宴餐厅吃饭，",
"偶尔去地中海影城看电影。",
};
Segment segment = HanLP.newSegment().enableOrganizationRecognize(true);
for (String sentence : testCase)
{
List<Term> termList = segment.seg(sentence);
System.out.println(termList);
}執行結果
[我/r, 在/p, 上海林原科技有限公司/nt, 兼职/vn, 工作/vn, ，/w]
[我/r, 经常/d, 在/p, 台川喜宴餐厅/nt, 吃饭/v, ，/w]
[偶尔/d, 去/v, 地中海影城/nt, 看/v, 电影/n, 。/w]關鍵詞
String content = "程序员(英文Programmer)是从事程序开发、维护的专业人员。一般将程序员分为程序设计人员和程序编码人员，但两者的界限并不非常清楚，特别是在中国。软件从业人员分为初级程序员、高级程序员、系统分析员和项目经理四大类。";
List<String> keywordList = HanLP.extractKeyword(content, 5);
System.out.println(keywordList);執行結果
[程序员, 程序, 分为, 人员, 软件]自動摘要
String document = "算法可大致分为基本算法、数据结构的算法、数论算法、计算几何的算法、图的算法、动态规划以及数值分析、加密算法、排序算法、检索算法、随机化算法、并行算法、厄米变形模型、随机森林算法。\n" +
"算法可以宽泛的分为三类，\n" +
"一，有限的确定性算法，这类算法在有限的一段时间内终止。他们可能要花很长时间来执行指定的任务，但仍将在一定的时间内终止。这类算法得出的结果常取决于输入值。\n" +
"二，有限的非确定算法，这类算法在有限的时间内终止。然而，对于一个（或一些）给定的数值，算法的结果并不是唯一的或确定的。\n" +
"三，无限的算法，是那些由于没有定义终止定义条件，或定义的条件无法由输入的数据满足而不终止运行的算法。通常，无限算法的产生是由于未能确定的定义终止条件。";
List<String> sentenceList = HanLP.extractSummary(document, 3);
System.out.println(sentenceList);執行結果
[无限算法的产生是由于未能确定的定义终止条件, 这类算法在有限的时间内终止, 有限的非确定算法]短詞語提取
String text = "算法工程师\n" +
"算法（Algorithm）是一系列解决问题的清晰指令，也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。算法工程师就是利用算法处理事物的人。\n" +
"\n" +
"1职位简介\n" +
"算法工程师是一个非常高端的职位；\n" +
"专业要求：计算机、电子、通信、数学等相关专业；\n" +
"学历要求：本科及其以上的学历，大多数是硕士学历及其以上；\n" +
"语言要求：英语要求是熟练，基本上能阅读国外专业书刊；\n" +
"必须掌握计算机相关知识，熟练使用仿真工具MATLAB等，必须会一门编程语言。\n" +
"\n" +
"2研究方向\n" +
"视频算法工程师、图像处理算法工程师、音频算法工程师 通信基带算法工程师\n" +
"\n" +
"3目前国内外状况\n" +
"目前国内从事算法研究的工程师不少，但是高级算法工程师却很少，是一个非常紧缺的专业工程师。算法工程师根据研究领域来分主要有音频/视频算法处理、图像技术方面的二维信息算法处理和通信物理层、雷达信号处理、生物医学信号处理等领域的一维信息算法处理。\n" +
"在计算机音视频和图形图像技术等二维信息算法处理方面目前比较先进的视频处理算法：机器视觉成为此类算法研究的核心；另外还有2D转3D算法(2D-to-3D conversion)，去隔行算法(de-interlacing)，运动估计运动补偿算法(Motion estimation/Motion Compensation)，去噪算法(Noise Reduction)，缩放算法(scaling)，锐化处理算法(Sharpness)，超分辨率算法(Super Resolution),手势识别(gesture recognition),人脸识别(face recognition)。\n" +
"在通信物理层等一维信息领域目前常用的算法：无线领域的RRM、RTT，传送领域的调制解调、信道均衡、信号检测、网络优化、信号分解等。\n" +
"另外数据挖掘、互联网搜索算法也成为当今的热门方向。\n" +
"算法工程师逐渐往人工智能方向发展。";
List<String> phraseList = HanLP.extractPhrase(text, 10);
System.out.println(phraseList);執行結果
[算法工程师, 算法处理, 处理算法, 算法研究, 信号处理, 信息算法, 视频算法, 通信物理层, 解决问题, 互联网搜索算法]
拼音轉換
String text = "重载不是重任";
List<Pinyin> pinyinList = HanLP.convertToPinyinList(text);
System.out.print("原文,");
for (char c : text.toCharArray())
{
System.out.printf("%c,", c);
}
System.out.println();
System.out.print("拼音（数字音调）,");
for (Pinyin pinyin : pinyinList)
{
System.out.printf("%s,", pinyin);
}
System.out.println();
System.out.print("拼音（符号音调）,");
for (Pinyin pinyin : pinyinList)
{
System.out.printf("%s,", pinyin.getPinyinWithToneMark());
}
System.out.println();
System.out.print("拼音（无音调）,");
for (Pinyin pinyin : pinyinList)
{
System.out.printf("%s,", pinyin.getPinyinWithoutTone());
}
System.out.println();
System.out.print("声调,");
for (Pinyin pinyin : pinyinList)
{
System.out.printf("%s,", pinyin.getTone());
}
System.out.println();
System.out.print("声母,");
for (Pinyin pinyin : pinyinList)
{
System.out.printf("%s,", pinyin.getShengmu());
}
System.out.println();
System.out.print("韵母,");
for (Pinyin pinyin : pinyinList)
{
System.out.printf("%s,", pinyin.getYunmu());
}
System.out.println();
System.out.print("输入法头,");
for (Pinyin pinyin : pinyinList)
{
System.out.printf("%s,", pinyin.getHead());
}
System.out.println();執行結果
原文,重,载,不,是,重,任,
拼音（数字音调）,chong2,zai3,bu2,shi4,zhong4,ren4,
拼音（符号音调）,chóng,zǎi,bú,shì,zhòng,rèn,
拼音（无音调）,chong,zai,bu,shi,zhong,ren,
声调,2,3,2,4,4,4,
声母,ch,z,b,sh,zh,r,
韵母,ong,ai,u,i,ong,en,
输入法头,ch,z,b,sh,zh,r,
簡繁體轉換
System.out.println(HanLP.convertToTraditionalChinese("用笔记本电脑写程序"));
System.out.println(HanLP.convertToSimplifiedChinese("「以後等妳當上皇后，就能買士多啤梨慶祝了」"));執行結果
用筆記本電腦寫程序
「以后等妳当上皇后，就能买士多啤梨庆祝了」文句推薦
從一系列句子中，取得跟輸入詞語最相似的句子
Suggester suggester = new Suggester();
String[] titleArray =
(
"威廉王子发表演说 呼吁保护野生动物\n" +
"《时代》年度人物最终入围名单出炉 普京马云入选\n" +
"“黑格比”横扫菲：菲吸取“海燕”经验及早疏散\n" +
"日本保密法将正式生效 日媒指其损害国民知情权\n" +
"英报告说空气污染带来“公共健康危机”"
).split("\\n");
for (String title : titleArray)
{
suggester.addSentence(title);
}
System.out.println(suggester.suggest("发言", 1)); // 语义
System.out.println(suggester.suggest("危机公共", 1)); // 字符
System.out.println(suggester.suggest("mayun", 1)); // 拼音執行結果
[威廉王子发表演说 呼吁保护野生动物]
[英报告说空气污染带来“公共健康危机”]
[《时代》年度人物最终入围名单出炉 普京马云入选]語意距離
詞向量
String[] wordArray = new String[]
{
"香蕉",
"苹果",
"白菜",
"水果",
"蔬菜",
"自行车",
"公交车",
"飞机",
"买",
"卖",
"购入",
"新年",
"春节",
"丢失",
"补办",
"办理",
"送给",
"寻找",
"孩子",
"教室",
"教师",
"会计",
};
for (String a : wordArray)
{
for (String b : wordArray)
{
System.out.println(a + "\t" + b + "\t之间的距离是\t" + CoreSynonymDictionary.distance(a, b));
}
}執行結果
香蕉 香蕉 之间的距离是 0
香蕉 苹果 之间的距离是 19980
香蕉 白菜 之间的距离是 2628369
香蕉 水果 之间的距离是 32967
香蕉 蔬菜 之间的距离是 2630367
香蕉 自行车 之间的距离是 1854515628
香蕉 公交车 之间的距离是 1854535619
香蕉 飞机 之间的距离是 1857307833
香蕉 买 之间的距离是 39729797433
香蕉 卖 之间的距离是 39729897333
香蕉 购入 之间的距离是 39729797433
香蕉 新年 之间的距离是 4981789224
香蕉 春节 之间的距离是 4981789224
香蕉 丢失 之间的距离是 46784535633
香蕉 补办 之间的距离是 39205230527
香蕉 办理 之间的距离是 39205222533
香蕉 送给 之间的距离是 40831595534
香蕉 寻找 之间的距离是 41124601233
香蕉 孩子 之间的距离是 6734891367
香蕉 教室 之间的距离是 1548030420
香蕉 教师 之间的距离是 7516908567
香蕉 会计 之间的距离是 7547972472
苹果 香蕉 之间的距离是 19980
苹果 苹果 之间的距离是 0
苹果 白菜 之间的距离是 2608389
苹果 水果 之间的距离是 12987
苹果 蔬菜 之间的距离是 2610387
苹果 自行车 之间的距离是 1854535608
苹果 公交车 之间的距离是 1854555599
苹果 飞机 之间的距离是 1857327813
苹果 买 之间的距离是 39729817413
苹果 卖 之间的距离是 39729917313
苹果 购入 之间的距离是 39729817413
苹果 新年 之间的距离是 4981809204
苹果 春节 之间的距离是 4981809204
苹果 丢失 之间的距离是 46784555613
苹果 补办 之间的距离是 39205250507
苹果 办理 之间的距离是 39205242513
苹果 送给 之间的距离是 40831615514
苹果 寻找 之间的距离是 41124621213
苹果 孩子 之间的距离是 6734871387
苹果 教室 之间的距离是 1548050400
苹果 教师 之间的距离是 7516888587
苹果 会计 之间的距离是 7547952492
白菜 香蕉 之间的距离是 2628369
白菜 苹果 之间的距离是 2608389
白菜 白菜 之间的距离是 0
白菜 水果 之间的距离是 2595402
白菜 蔬菜 之间的距离是 1998
白菜 自行车 之间的距离是 1857143997
白菜 公交车 之间的距离是 1857163988
白菜 飞机 之间的距离是 1859936202
白菜 买 之间的距离是 39732425802
白菜 卖 之间的距离是 39732525702
白菜 购入 之间的距离是 39732425802
白菜 新年 之间的距离是 4984417593
白菜 春节 之间的距离是 4984417593
白菜 丢失 之间的距离是 46787164002
白菜 补办 之间的距离是 39207858896
白菜 办理 之间的距离是 39207850902
白菜 送给 之间的距离是 40834223903
白菜 寻找 之间的距离是 41127229602
白菜 孩子 之间的距离是 6732262998
白菜 教室 之间的距离是 1550658789
白菜 教师 之间的距离是 7514280198
白菜 会计 之间的距离是 7545344103
水果 香蕉 之间的距离是 32967
水果 苹果 之间的距离是 12987
水果 白菜 之间的距离是 2595402
水果 水果 之间的距离是 0
水果 蔬菜 之间的距离是 2597400
水果 自行车 之间的距离是 1854548595
水果 公交车 之间的距离是 1854568586
水果 飞机 之间的距离是 1857340800
水果 买 之间的距离是 39729830400
水果 卖 之间的距离是 39729930300
水果 购入 之间的距离是 39729830400
水果 新年 之间的距离是 4981822191
水果 春节 之间的距离是 4981822191
水果 丢失 之间的距离是 46784568600
水果 补办 之间的距离是 39205263494
水果 办理 之间的距离是 39205255500
水果 送给 之间的距离是 40831628501
水果 寻找 之间的距离是 41124634200
水果 孩子 之间的距离是 6734858400
水果 教室 之间的距离是 1548063387
水果 教师 之间的距离是 7516875600
水果 会计 之间的距离是 7547939505
蔬菜 香蕉 之间的距离是 2630367
蔬菜 苹果 之间的距离是 2610387
蔬菜 白菜 之间的距离是 1998
蔬菜 水果 之间的距离是 2597400
蔬菜 蔬菜 之间的距离是 0
蔬菜 自行车 之间的距离是 1857145995
蔬菜 公交车 之间的距离是 1857165986
蔬菜 飞机 之间的距离是 1859938200
蔬菜 买 之间的距离是 39732427800
蔬菜 卖 之间的距离是 39732527700
蔬菜 购入 之间的距离是 39732427800
蔬菜 新年 之间的距离是 4984419591
蔬菜 春节 之间的距离是 4984419591
蔬菜 丢失 之间的距离是 46787166000
蔬菜 补办 之间的距离是 39207860894
蔬菜 办理 之间的距离是 39207852900
蔬菜 送给 之间的距离是 40834225901
蔬菜 寻找 之间的距离是 41127231600
蔬菜 孩子 之间的距离是 6732261000
蔬菜 教室 之间的距离是 1550660787
蔬菜 教师 之间的距离是 7514278200
蔬菜 会计 之间的距离是 7545342105
自行车 香蕉 之间的距离是 1854515628
自行车 苹果 之间的距离是 1854535608
自行车 白菜 之间的距离是 1857143997
自行车 水果 之间的距离是 1854548595
自行车 蔬菜 之间的距离是 1857145995
自行车 自行车 之间的距离是 0
自行车 公交车 之间的距离是 19991
自行车 飞机 之间的距离是 2792205
自行车 买 之间的距离是 37875281805
自行车 卖 之间的距离是 37875381705
自行车 购入 之间的距离是 37875281805
自行车 新年 之间的距离是 3127273596
自行车 春节 之间的距离是 3127273596
自行车 丢失 之间的距离是 44930020005
自行车 补办 之间的距离是 37350714899
自行车 办理 之间的距离是 37350706905
自行车 送给 之间的距离是 38977079906
自行车 寻找 之间的距离是 39270085605
自行车 孩子 之间的距离是 8589406995
自行车 教室 之间的距离是 306485208
自行车 教师 之间的距离是 9371424195
自行车 会计 之间的距离是 9402488100
公交车 香蕉 之间的距离是 1854535619
公交车 苹果 之间的距离是 1854555599
公交车 白菜 之间的距离是 1857163988
公交车 水果 之间的距离是 1854568586
公交车 蔬菜 之间的距离是 1857165986
公交车 自行车 之间的距离是 19991
公交车 公交车 之间的距离是 0
公交车 飞机 之间的距离是 2772214
公交车 买 之间的距离是 37875261814
公交车 卖 之间的距离是 37875361714
公交车 购入 之间的距离是 37875261814
公交车 新年 之间的距离是 3127253605
公交车 春节 之间的距离是 3127253605
公交车 丢失 之间的距离是 44930000014
公交车 补办 之间的距离是 37350694908
公交车 办理 之间的距离是 37350686914
公交车 送给 之间的距离是 38977059915
公交车 寻找 之间的距离是 39270065614
公交车 孩子 之间的距离是 8589426986
公交车 教室 之间的距离是 306505199
公交车 教师 之间的距离是 9371444186
公交车 会计 之间的距离是 9402508091
飞机 香蕉 之间的距离是 1857307833
飞机 苹果 之间的距离是 1857327813
飞机 白菜 之间的距离是 1859936202
飞机 水果 之间的距离是 1857340800
飞机 蔬菜 之间的距离是 1859938200
飞机 自行车 之间的距离是 2792205
飞机 公交车 之间的距离是 2772214
飞机 飞机 之间的距离是 0
飞机 买 之间的距离是 37872489600
飞机 卖 之间的距离是 37872589500
飞机 购入 之间的距离是 37872489600
飞机 新年 之间的距离是 3124481391
飞机 春节 之间的距离是 3124481391
飞机 丢失 之间的距离是 44927227800
飞机 补办 之间的距离是 37347922694
飞机 办理 之间的距离是 37347914700
飞机 送给 之间的距离是 38974287701
飞机 寻找 之间的距离是 39267293400
飞机 孩子 之间的距离是 8592199200
飞机 教室 之间的距离是 309277413
飞机 教师 之间的距离是 9374216400
飞机 会计 之间的距离是 9405280305
买 香蕉 之间的距离是 39729797433
买 苹果 之间的距离是 39729817413
买 白菜 之间的距离是 39732425802
买 水果 之间的距离是 39729830400
买 蔬菜 之间的距离是 39732427800
买 自行车 之间的距离是 37875281805
买 公交车 之间的距离是 37875261814
买 飞机 之间的距离是 37872489600
买 买 之间的距离是 0
买 卖 之间的距离是 99900
买 购入 之间的距离是 0
买 新年 之间的距离是 34748008209
买 春节 之间的距离是 34748008209
买 丢失 之间的距离是 7054738200
买 补办 之间的距离是 524566906
买 办理 之间的距离是 524574900
买 送给 之间的距离是 1101798101
买 寻找 之间的距离是 1394803800
买 孩子 之间的距离是 46464688800
买 教室 之间的距离是 38181767013
买 教师 之间的距离是 47246706000
买 会计 之间的距离是 47277769905
卖 香蕉 之间的距离是 39729897333
卖 苹果 之间的距离是 39729917313
卖 白菜 之间的距离是 39732525702
卖 水果 之间的距离是 39729930300
卖 蔬菜 之间的距离是 39732527700
卖 自行车 之间的距离是 37875381705
卖 公交车 之间的距离是 37875361714
卖 飞机 之间的距离是 37872589500
卖 买 之间的距离是 99900
卖 卖 之间的距离是 0
卖 购入 之间的距离是 99900
卖 新年 之间的距离是 34748108109
卖 春节 之间的距离是 34748108109
卖 丢失 之间的距离是 7054638300
卖 补办 之间的距离是 524666806
卖 办理 之间的距离是 524674800
卖 送给 之间的距离是 1101698201
卖 寻找 之间的距离是 1394703900
卖 孩子 之间的距离是 46464788700
卖 教室 之间的距离是 38181866913
卖 教师 之间的距离是 47246805900
卖 会计 之间的距离是 47277869805
购入 香蕉 之间的距离是 39729797433
购入 苹果 之间的距离是 39729817413
购入 白菜 之间的距离是 39732425802
购入 水果 之间的距离是 39729830400
购入 蔬菜 之间的距离是 39732427800
购入 自行车 之间的距离是 37875281805
购入 公交车 之间的距离是 37875261814
购入 飞机 之间的距离是 37872489600
购入 买 之间的距离是 0
购入 卖 之间的距离是 99900
购入 购入 之间的距离是 0
购入 新年 之间的距离是 34748008209
购入 春节 之间的距离是 34748008209
购入 丢失 之间的距离是 7054738200
购入 补办 之间的距离是 524566906
购入 办理 之间的距离是 524574900
购入 送给 之间的距离是 1101798101
购入 寻找 之间的距离是 1394803800
购入 孩子 之间的距离是 46464688800
购入 教室 之间的距离是 38181767013
购入 教师 之间的距离是 47246706000
购入 会计 之间的距离是 47277769905
新年 香蕉 之间的距离是 4981789224
新年 苹果 之间的距离是 4981809204
新年 白菜 之间的距离是 4984417593
新年 水果 之间的距离是 4981822191
新年 蔬菜 之间的距离是 4984419591
新年 自行车 之间的距离是 3127273596
新年 公交车 之间的距离是 3127253605
新年 飞机 之间的距离是 3124481391
新年 买 之间的距离是 34748008209
新年 卖 之间的距离是 34748108109
新年 购入 之间的距离是 34748008209
新年 新年 之间的距离是 0
新年 春节 之间的距离是 0
新年 丢失 之间的距离是 41802746409
新年 补办 之间的距离是 34223441303
新年 办理 之间的距离是 34223433309
新年 送给 之间的距离是 35849806310
新年 寻找 之间的距离是 36142812009
新年 孩子 之间的距离是 11716680591
新年 教室 之间的距离是 3433758804
新年 教师 之间的距离是 12498697791
新年 会计 之间的距离是 12529761696
春节 香蕉 之间的距离是 4981789224
春节 苹果 之间的距离是 4981809204
春节 白菜 之间的距离是 4984417593
春节 水果 之间的距离是 4981822191
春节 蔬菜 之间的距离是 4984419591
春节 自行车 之间的距离是 3127273596
春节 公交车 之间的距离是 3127253605
春节 飞机 之间的距离是 3124481391
春节 买 之间的距离是 34748008209
春节 卖 之间的距离是 34748108109
春节 购入 之间的距离是 34748008209
春节 新年 之间的距离是 0
春节 春节 之间的距离是 0
春节 丢失 之间的距离是 41802746409
春节 补办 之间的距离是 34223441303
春节 办理 之间的距离是 34223433309
春节 送给 之间的距离是 35849806310
春节 寻找 之间的距离是 36142812009
春节 孩子 之间的距离是 11716680591
春节 教室 之间的距离是 3433758804
春节 教师 之间的距离是 12498697791
春节 会计 之间的距离是 12529761696
丢失 香蕉 之间的距离是 46784535633
丢失 苹果 之间的距离是 46784555613
丢失 白菜 之间的距离是 46787164002
丢失 水果 之间的距离是 46784568600
丢失 蔬菜 之间的距离是 46787166000
丢失 自行车 之间的距离是 44930020005
丢失 公交车 之间的距离是 44930000014
丢失 飞机 之间的距离是 44927227800
丢失 买 之间的距离是 7054738200
丢失 卖 之间的距离是 7054638300
丢失 购入 之间的距离是 7054738200
丢失 新年 之间的距离是 41802746409
丢失 春节 之间的距离是 41802746409
丢失 丢失 之间的距离是 0
丢失 补办 之间的距离是 7579305106
丢失 办理 之间的距离是 7579313100
丢失 送给 之间的距离是 5952940099
丢失 寻找 之间的距离是 5659934400
丢失 孩子 之间的距离是 53519427000
丢失 教室 之间的距离是 45236505213
丢失 教师 之间的距离是 54301444200
丢失 会计 之间的距离是 54332508105
补办 香蕉 之间的距离是 39205230527
补办 苹果 之间的距离是 39205250507
补办 白菜 之间的距离是 39207858896
补办 水果 之间的距离是 39205263494
补办 蔬菜 之间的距离是 39207860894
补办 自行车 之间的距离是 37350714899
补办 公交车 之间的距离是 37350694908
补办 飞机 之间的距离是 37347922694
补办 买 之间的距离是 524566906
补办 卖 之间的距离是 524666806
补办 购入 之间的距离是 524566906
补办 新年 之间的距离是 34223441303
补办 春节 之间的距离是 34223441303
补办 丢失 之间的距离是 7579305106
补办 补办 之间的距离是 0
补办 办理 之间的距离是 7994
补办 送给 之间的距离是 1626365007
补办 寻找 之间的距离是 1919370706
补办 孩子 之间的距离是 45940121894
补办 教室 之间的距离是 37657200107
补办 教师 之间的距离是 46722139094
补办 会计 之间的距离是 46753202999
办理 香蕉 之间的距离是 39205222533
办理 苹果 之间的距离是 39205242513
办理 白菜 之间的距离是 39207850902
办理 水果 之间的距离是 39205255500
办理 蔬菜 之间的距离是 39207852900
办理 自行车 之间的距离是 37350706905
办理 公交车 之间的距离是 37350686914
办理 飞机 之间的距离是 37347914700
办理 买 之间的距离是 524574900
办理 卖 之间的距离是 524674800
办理 购入 之间的距离是 524574900
办理 新年 之间的距离是 34223433309
办理 春节 之间的距离是 34223433309
办理 丢失 之间的距离是 7579313100
办理 补办 之间的距离是 7994
办理 办理 之间的距离是 0
办理 送给 之间的距离是 1626373001
办理 寻找 之间的距离是 1919378700
办理 孩子 之间的距离是 45940113900
办理 教室 之间的距离是 37657192113
办理 教师 之间的距离是 46722131100
办理 会计 之间的距离是 46753195005
送给 香蕉 之间的距离是 40831595534
送给 苹果 之间的距离是 40831615514
送给 白菜 之间的距离是 40834223903
送给 水果 之间的距离是 40831628501
送给 蔬菜 之间的距离是 40834225901
送给 自行车 之间的距离是 38977079906
送给 公交车 之间的距离是 38977059915
送给 飞机 之间的距离是 38974287701
送给 买 之间的距离是 1101798101
送给 卖 之间的距离是 1101698201
送给 购入 之间的距离是 1101798101
送给 新年 之间的距离是 35849806310
送给 春节 之间的距离是 35849806310
送给 丢失 之间的距离是 5952940099
送给 补办 之间的距离是 1626365007
送给 办理 之间的距离是 1626373001
送给 送给 之间的距离是 0
送给 寻找 之间的距离是 293005699
送给 孩子 之间的距离是 47566486901
送给 教室 之间的距离是 39283565114
送给 教师 之间的距离是 48348504101
送给 会计 之间的距离是 48379568006
寻找 香蕉 之间的距离是 41124601233
寻找 苹果 之间的距离是 41124621213
寻找 白菜 之间的距离是 41127229602
寻找 水果 之间的距离是 41124634200
寻找 蔬菜 之间的距离是 41127231600
寻找 自行车 之间的距离是 39270085605
寻找 公交车 之间的距离是 39270065614
寻找 飞机 之间的距离是 39267293400
寻找 买 之间的距离是 1394803800
寻找 卖 之间的距离是 1394703900
寻找 购入 之间的距离是 1394803800
寻找 新年 之间的距离是 36142812009
寻找 春节 之间的距离是 36142812009
寻找 丢失 之间的距离是 5659934400
寻找 补办 之间的距离是 1919370706
寻找 办理 之间的距离是 1919378700
寻找 送给 之间的距离是 293005699
寻找 寻找 之间的距离是 0
寻找 孩子 之间的距离是 47859492600
寻找 教室 之间的距离是 39576570813
寻找 教师 之间的距离是 48641509800
寻找 会计 之间的距离是 48672573705
孩子 香蕉 之间的距离是 6734891367
孩子 苹果 之间的距离是 6734871387
孩子 白菜 之间的距离是 6732262998
孩子 水果 之间的距离是 6734858400
孩子 蔬菜 之间的距离是 6732261000
孩子 自行车 之间的距离是 8589406995
孩子 公交车 之间的距离是 8589426986
孩子 飞机 之间的距离是 8592199200
孩子 买 之间的距离是 46464688800
孩子 卖 之间的距离是 46464788700
孩子 购入 之间的距离是 46464688800
孩子 新年 之间的距离是 11716680591
孩子 春节 之间的距离是 11716680591
孩子 丢失 之间的距离是 53519427000
孩子 补办 之间的距离是 45940121894
孩子 办理 之间的距离是 45940113900
孩子 送给 之间的距离是 47566486901
孩子 寻找 之间的距离是 47859492600
孩子 孩子 之间的距离是 0
孩子 教室 之间的距离是 8282921787
孩子 教师 之间的距离是 782017200
孩子 会计 之间的距离是 813081105
教室 香蕉 之间的距离是 1548030420
教室 苹果 之间的距离是 1548050400
教室 白菜 之间的距离是 1550658789
教室 水果 之间的距离是 1548063387
教室 蔬菜 之间的距离是 1550660787
教室 自行车 之间的距离是 306485208
教室 公交车 之间的距离是 306505199
教室 飞机 之间的距离是 309277413
教室 买 之间的距离是 38181767013
教室 卖 之间的距离是 38181866913
教室 购入 之间的距离是 38181767013
教室 新年 之间的距离是 3433758804
教室 春节 之间的距离是 3433758804
教室 丢失 之间的距离是 45236505213
教室 补办 之间的距离是 37657200107
教室 办理 之间的距离是 37657192113
教室 送给 之间的距离是 39283565114
教室 寻找 之间的距离是 39576570813
教室 孩子 之间的距离是 8282921787
教室 教室 之间的距离是 0
教室 教师 之间的距离是 9064938987
教室 会计 之间的距离是 9096002892
教师 香蕉 之间的距离是 7516908567
教师 苹果 之间的距离是 7516888587
教师 白菜 之间的距离是 7514280198
教师 水果 之间的距离是 7516875600
教师 蔬菜 之间的距离是 7514278200
教师 自行车 之间的距离是 9371424195
教师 公交车 之间的距离是 9371444186
教师 飞机 之间的距离是 9374216400
教师 买 之间的距离是 47246706000
教师 卖 之间的距离是 47246805900
教师 购入 之间的距离是 47246706000
教师 新年 之间的距离是 12498697791
教师 春节 之间的距离是 12498697791
教师 丢失 之间的距离是 54301444200
教师 补办 之间的距离是 46722139094
教师 办理 之间的距离是 46722131100
教师 送给 之间的距离是 48348504101
教师 寻找 之间的距离是 48641509800
教师 孩子 之间的距离是 782017200
教师 教室 之间的距离是 9064938987
教师 教师 之间的距离是 0
教师 会计 之间的距离是 31063905
会计 香蕉 之间的距离是 7547972472
会计 苹果 之间的距离是 7547952492
会计 白菜 之间的距离是 7545344103
会计 水果 之间的距离是 7547939505
会计 蔬菜 之间的距离是 7545342105
会计 自行车 之间的距离是 9402488100
会计 公交车 之间的距离是 9402508091
会计 飞机 之间的距离是 9405280305
会计 买 之间的距离是 47277769905
会计 卖 之间的距离是 47277869805
会计 购入 之间的距离是 47277769905
会计 新年 之间的距离是 12529761696
会计 春节 之间的距离是 12529761696
会计 丢失 之间的距离是 54332508105
会计 补办 之间的距离是 46753202999
会计 办理 之间的距离是 46753195005
会计 送给 之间的距离是 48379568006
会计 寻找 之间的距离是 48672573705
会计 孩子 之间的距离是 813081105
会计 教室 之间的距离是 9096002892
会计 教师 之间的距离是 31063905
会计 会计 之间的距离是 0
依存句法分析
CoNLLSentence sentence = HanLP.parseDependency("徐先生还具体帮助他确定了把画雄鹰、松鼠和麻雀作为主攻目标。");
System.out.println(sentence);
// 可以方便地遍历它
for (CoNLLWord word : sentence)
{
System.out.printf("%s --(%s)--> %s\n", word.LEMMA, word.DEPREL, word.HEAD.LEMMA);
}
// 也可以直接拿到数组，任意顺序或逆序遍历
CoNLLWord[] wordArray = sentence.getWordArray();
for (int i = wordArray.length - 1; i >= 0; i--)
{
CoNLLWord word = wordArray[i];
System.out.printf("%s --(%s)--> %s\n", word.LEMMA, word.DEPREL, word.HEAD.LEMMA);
}
// 还可以直接遍历子树，从某棵子树的某个节点一路遍历到虚根
CoNLLWord head = wordArray[12];
while ((head = head.HEAD) != null)
{
if (head == CoNLLWord.ROOT) System.out.println(head.LEMMA);
else System.out.printf("%s --(%s)--> ", head.LEMMA, head.DEPREL);
}執行結果
1 徐先生 徐先生 nh nr _ 4 主谓关系 _ _
2 还 还 d d _ 4 状中结构 _ _
3 具体 具体 a ad _ 4 状中结构 _ _
4 帮助 帮助 v v _ 0 核心关系 _ _
5 他 他 r r _ 4 兼语 _ _
6 确定 确定 v v _ 4 动宾关系 _ _
7 了 了 u u _ 6 右附加关系 _ _
8 把 把 p p _ 15 状中结构 _ _
9 画 画 v v _ 8 介宾关系 _ _
10 雄鹰 雄鹰 n n _ 9 动宾关系 _ _
11 、 、 wp w _ 12 标点符号 _ _
12 松鼠 松鼠 n n _ 10 并列关系 _ _
13 和 和 c c _ 14 左附加关系 _ _
14 麻雀 麻雀 n n _ 10 并列关系 _ _
15 作为 作为 v v _ 6 动宾关系 _ _
16 主攻 主攻 v vn _ 17 定中关系 _ _
17 目标 目标 n n _ 15 动宾关系 _ _
18 。 。 wp w _ 4 标点符号 _ _
徐先生 --(主谓关系)--> 帮助
还 --(状中结构)--> 帮助
具体 --(状中结构)--> 帮助
帮助 --(核心关系)--> ##核心##
他 --(兼语)--> 帮助
确定 --(动宾关系)--> 帮助
了 --(右附加关系)--> 确定
把 --(状中结构)--> 作为
画 --(介宾关系)--> 把
雄鹰 --(动宾关系)--> 画
、 --(标点符号)--> 松鼠
松鼠 --(并列关系)--> 雄鹰
和 --(左附加关系)--> 麻雀
麻雀 --(并列关系)--> 雄鹰
作为 --(动宾关系)--> 确定
主攻 --(定中关系)--> 目标
目标 --(动宾关系)--> 作为
。 --(标点符号)--> 帮助
。 --(标点符号)--> 帮助
目标 --(动宾关系)--> 作为
主攻 --(定中关系)--> 目标
作为 --(动宾关系)--> 确定
麻雀 --(并列关系)--> 雄鹰
和 --(左附加关系)--> 麻雀
松鼠 --(并列关系)--> 雄鹰
、 --(标点符号)--> 松鼠
雄鹰 --(动宾关系)--> 画
画 --(介宾关系)--> 把
把 --(状中结构)--> 作为
了 --(右附加关系)--> 确定
确定 --(动宾关系)--> 帮助
他 --(兼语)--> 帮助
帮助 --(核心关系)--> ##核心##
具体 --(状中结构)--> 帮助
还 --(状中结构)--> 帮助
徐先生 --(主谓关系)--> 帮助
麻雀 --(并列关系)--> 雄鹰 --(动宾关系)--> 画 --(介宾关系)--> 把 --(状中结构)--> 作为 --(动宾关系)--> 确定 --(动宾关系)--> 帮助 --(核心关系)--> ##核心##References
python如何使用HanLP，LTP，jieba中文分詞庫
商用 LTP 需要付费
