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？ 取值范围 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

  1. df = pd.DataFrame([
  2.     [0, 'That is an English Book!'],
  3.     [1, 'Do you like math?'],
  4.     [2, 'Have a good day!']
  5. ])
  7. inOp1 = BatchOperator.fromDataframe(df, schemaStr='id long, text string')
  8. op = RegexTokenizer().setSelectedCol("text").setGaps(False).setToLowerCase(True).setOutputCol("token").setPattern(
  9.     "\\w+")
  10. op.transform(inOp1).print()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  5. import com.alibaba.alink.pipeline.nlp.RegexTokenizer;
  6. import org.junit.Test;
  8. import java.util.Arrays;
  9. import java.util.List;
  11. public class RegexTokenizerTest {
  12.     @Test
  13.     public void testRegexTokenizer() throws Exception {
  14.         List <Row> df = Arrays.asList(
  15.             Row.of(0, "That is an English Book!"),
  16.             Row.of(1, "Do you like math?"),
  17.             Row.of(2, "Have a good day!")
  18.         );
  19.         BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
  20.         RegexTokenizer op = new RegexTokenizer().setSelectedCol("text").setGaps(false).setToLowerCase(true)
  21.             .setOutputCol("token").setPattern("\\w+");
  22.         op.transform(inOp1).print();
  23.     }
  24. }

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 |