该文档涉及的组件

分词 (SegmentBatchOp)

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

Python 类名:SegmentBatchOp

功能介绍

对文本进行分词,分词后各个词语间用空格分隔。

使用方式

文本列通过参数 selectedCol 指定。
词典文件可以从这里
查看。 通过参数 userDefinedDict 可以添加额外的词语。

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]
outputCol 输出结果列 输出结果列列名,可选,默认null String null
reservedCols 算法保留列名 算法保留列 String[] null
userDefinedDict 用户自定义字典 用户自定义字典 String[] null
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, u'二手旧书:医学电磁成像'],
    [1, u'二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969'],
    [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
    [3, u'二手中国糖尿病文献索引'],
    [4, u'二手郁达夫文集( 国内版 )全十二册馆藏书']
])

inOp = BatchOperator.fromDataframe(df, schemaStr='id long, text string')

SegmentBatchOp() \
    .setSelectedCol("text") \
    .setOutputCol("segment") \
    .linkFrom(inOp).print()

Java 代码

import org.apache.flink.types.Row;

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

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

public class SegmentBatchOpTest {
	@Test
	public void testSegmentBatchOp() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "二手旧书:医学电磁成像"),
			Row.of(1, "二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969"),
			Row.of(2, "二手正版图解象棋入门/谢恩思主编/华龄出版社"),
			Row.of(3, "二手中国糖尿病文献索引"),
			Row.of(4, "二手郁达夫文集( 国内版 )全十二册馆藏书")
		);
		BatchOperator <?> inOp = new MemSourceBatchOp(df, "id int, text string");
		new SegmentBatchOp()
			.setSelectedCol("text")
			.setOutputCol("segment")
			.linkFrom(inOp).print();
	}
}

运行结果

id text segment
0 二手旧书:医学电磁成像 二手 旧书 : 医学 电磁 成像
1 二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969 二手 美国 文学 选读 ( 下册 ) 李宜燮 南开大学 出版社 9787310003969
2 二手正版图解象棋入门/谢恩思主编/华龄出版社 二手 正版 图解 象棋 入门 / 谢恩 思 主编 / 华龄 出版社
3 二手中国糖尿病文献索引 二手 中国 糖尿病 文献 索引
4 二手郁达夫文集( 国内版 )全十二册馆藏书 二手 郁达夫 文集 ( 国内 版 ) 全 十二册 馆藏 书