RegexTokenizer (RegexTokenizerStreamOp)

Java 类名:com.alibaba.alink.operator.stream.nlp.RegexTokenizerStreamOp

Python 类名:RegexTokenizerStreamOp

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 RegexTokenizerStreamOpTest {
	@Test
	public void testRegexTokenizerStreamOp() 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
2 Have a good day! have a good day
1 Do you like math? do you like math