es实战-使用IK分词器进行词频统计

简介：通过IK分词器分词并生成词云。

本文主要介绍如何通过 IK 分词器进行词频统计。使用分词器对文章的词频进行统计，主要目的是实现如下图所示的词云功能，可以找到文章内的重点词汇。后续也可以对词进行词性标注，实体识别以及对实体的情感分析等功能。

词频统计服务具体模块如下：数据输入：文本信息数据输出：词 - 词频(TF-IDF等) - 词性等内容使用的组件：分词器、语料库、词云展示组件等功能点：白名单，黑名单，同义词等

现存的中文分词器有 IK、HanLP、jieba 和 NLPIR 等几种，不同分词器各有特点，本文使用 IK 实现，因为 ES 一般使用 medcl 等大佬封装的 IK 分词器插件作为中文分词器。 由于 ES 的 IK 分词器插件深度结合了 ES，仅对文本分词使用不到 ES 的内容，所以文本采用申艳超大佬版本的 IK。

1. IK 分词统计代码

IK 的代码相对比较简单，东西不多，将 String 拆分为词并统计代码如下：

1. 单纯统计词频：

/**
 * 全文本词频统计
 *
 * @param content  文本内容
 * @param useSmart 是否使用 smart
 * @return 词，词频
 * @throws IOException
 */
private static Map countTermFrequency(String content, Boolean useSmart) throws IOException {
    // 输出结果 Map
    Map frequencies = new HashMap();
    if (StringUtils.isBlank(content)) {
        return frequencies;
    }
    DefaultConfig conf = new DefaultConfig();
    conf.setUseSmart(useSmart);
    // 使用 IKSegmenter 初始化文本信息并加载词典
    IKSegmenter ikSegmenter = new IKSegmenter(new StringReader(content), conf);
    Lexeme lexeme;
    while ((lexeme = ikSegmenter.next()) != null) {
        if (lexeme.getLexemeText().length() > 1) {// 过滤单字，也可以过滤其他内容，如数字和单纯符号等内容
            final String term = lexeme.getLexemeText();
            // Map 累加操作
            frequencies.compute(term, (k, v) -> {
                if (v == null) {
                    v = 1;
                } else {
                    v += 1;
                }
                return v;
            });
        }
    }
    return frequencies;
}

1. 统计词频和文档频率：

/**
 * 文本列表词频和词文档频率统计
 *
 * @param docs     文档列表
 * @param useSmart 是否使用只能分词
 * @return 词频列表 词-[词频,文档频率]
 * @throws IOException
 */
private static Map countTFDF(List docs, boolean useSmart) throws IOException {
    // 输出结果 Map
    Map frequencies = new HashMap();
    for (String doc : docs) {
        if (StringUtils.isBlank(doc)) {
            continue;
        }
        DefaultConfig conf = new DefaultConfig();
        conf.setUseSmart(useSmart);
        // 使用 IKSegmenter 初始化文本信息并加载词典
        IKSegmenter ikSegmenter = new IKSegmenter(new StringReader(doc), conf);
        Lexeme lexeme;
        // 用于文档频率统计的 Set
        Set terms = new HashSet();
        while ((lexeme = ikSegmenter.next()) != null) {
            if (lexeme.getLexemeText().length() > 1) {
                final String text = lexeme.getLexemeText();
                // 进行词频统计
                frequencies.compute(text, (k, v) -> {
                    if (v == null) {
                        v = new Integer[]{1, 0};
                    } else {
                        v[0] += 1;
                    }
                    return v;
                });
                terms.add(text);
            }
        } 
        // 进行文档频率统计：无需初始化 Map，统计词频后 Map 里面必有该词记录
        for (String term : terms) {
            frequencies.get(term)[1] += 1;
        }
    }
    return frequencies;
}

2. 获取词云 TopN 个词

获取 TopN 个词用于词云展示有多种排序方式，可以直接根据词频、文档频率或者 TF-IDF 等算法进行排序，本文仅根据词频求取 TopN。M 个数字获取 TopN 有以下算法：

• M 小 N 小：快速选择算法
• M 大 N 小：小顶堆
• M 大 N 大：归并排序

本文采用小顶堆方式实现，对应JAVA中的优先队列数据结构 PriorityQueue：

/**
 * 按出现次数，从高到低排序取 TopN
 *
 * @param data 词和排序数字对应的 Map
 * @param TopN 词云展示的 TopN
 * @return 前 N 个词和排序值
 */
private static List order(Map data, int topN) {
    PriorityQueue priorityQueue = new PriorityQueue(data.size(), new Comparator() {
        @Override
        public int compare(Map.Entry o1, Map.Entry o2) {
            return o2.getValue().compareTo(o1.getValue());
        }
    });
    for (Map.Entry entry : data.entrySet()) {
        priorityQueue.add(entry);
    }
    //TODO 当前100词频一致时(概率极低)的处理办法，if( list(0).value == list(99).value ){xxx}
    List list = new ArrayList();
    //统计结果队列size和topN值取较小值列表
    int size = priorityQueue.size() = '0' && input = 'a' && input = 'A' && input