RegexTokenizer (RegexTokenizer)

Java 类名：com.alibaba.alink.pipeline.nlp.RegexTokenizer

Python 类名：RegexTokenizer

功能介绍

通过正则表达式对文本进行切分或者匹配操作。

使用方式

文本列通过参数 selectedCol 指定，切分或者匹配用的正则表达式通过参数 pattern 指定。

当参数 gaps 为 True 时，对文本进行切分操作（类似于分词）；当参数 gaps 为为 False 时，将提取匹配正则表达式的词语。

对于处理后的结果，还可以通过参数 minTokenLength 根据长度筛掉词语，或者通过参数 toLowerCase 将所有词语转为小写。

参数说明

名称	中文名称	描述	类型	是否必须？	默认值
selectedCol	选中的列名	计算列对应的列名	String	✓
gaps	切分/匹配	如果gaps为True，pattern用于切分文档；如果gaps为False，会提取出匹配pattern的词。	Boolean		true
minTokenLength	词语最短长度	词语的最短长度，小于这个值的词语会被过滤掉	Integer		1
outputCol	输出结果列	输出结果列列名，可选，默认null	String		null
pattern	分隔符/正则匹配符	如果gaps为True，pattern用于切分文档；如果gaps为False，会提取出匹配pattern的词。	String		“\s+”
reservedCols	算法保留列名	算法保留列	String[]		null
toLowerCase	是否转换为小写	转换为小写	Boolean		true
numThreads	组件多线程线程个数	组件多线程线程个数	Integer		1

代码示例

Python 代码

df = pd.DataFrame([
    [0, 'That is an English Book!'],
    [1, 'Do you like math?'],
    [2, 'Have a good day!']
])

inOp1 = BatchOperator.fromDataframe(df, schemaStr='id long, text string')
op = RegexTokenizer().setSelectedCol("text").setGaps(False).setToLowerCase(True).setOutputCol("token").setPattern(
    "\\w+")
op.transform(inOp1).print()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.pipeline.nlp.RegexTokenizer;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class RegexTokenizerTest {
	@Test
	public void testRegexTokenizer() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "That is an English Book!"),
			Row.of(1, "Do you like math?"),
			Row.of(2, "Have a good day!")
		);
		BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
		RegexTokenizer op = new RegexTokenizer().setSelectedCol("text").setGaps(false).setToLowerCase(true)
			.setOutputCol("token").setPattern("\\w+");
		op.transform(inOp1).print();
	}
}

运行结果

id	text	token
0	That is an English Book!	that is an english book
1	Do you like math?	do you like math
2	Have a good day!	have a good day

ALinkLab