RegexTokenizer (RegexTokenizerBatchOp)

Java 类名：com.alibaba.alink.operator.batch.nlp.RegexTokenizerBatchOp

Python 类名：RegexTokenizerBatchOp

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？	取值范围	默认值
selectedCol	选中的列名	计算列对应的列名	String	✓	所选列类型为 [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 = RegexTokenizerBatchOp().setSelectedCol("text").setGaps(False).setToLowerCase(True).setOutputCol(
    "token").setPattern("\\w+")

op.linkFrom(inOp1).print()

inOp2 = StreamOperator.fromDataframe(df, schemaStr='id long, text string')
op2 = RegexTokenizerStreamOp().setSelectedCol("text").setGaps(False).setToLowerCase(True).setOutputCol(
    "token").setPattern("\\w+")
op2.linkFrom(inOp2).print()

StreamOperator.execute()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.nlp.RegexTokenizerBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.nlp.RegexTokenizerStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;

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

public class RegexTokenizerBatchOpTest {
	@Test
	public void testRegexTokenizerBatchOp() 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");
		BatchOperator <?> op = new RegexTokenizerBatchOp().setSelectedCol("text").setGaps(false).setToLowerCase(true)
			.setOutputCol("token").setPattern("\\w+");
		op.linkFrom(inOp1).print();
		StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text string");
		StreamOperator <?> op2 =
			new RegexTokenizerStreamOp().setSelectedCol("text").setGaps(false).setToLowerCase(true)
				.setOutputCol("token").setPattern("\\w+");
		op2.linkFrom(inOp2).print();
		StreamOperator.execute();
	}
}

运行结果

批运行结果

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

流运行结果

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