Java 类名：com.alibaba.alink.pipeline.nlp.Segment
Python 类名：Segment

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 ✓
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

  1. df = pd.DataFrame([
  2.     [0, u'二手旧书:医学电磁成像'],
  3.     [1, u'二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969'],
  4.     [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
  5.     [3, u'二手中国糖尿病文献索引'],
  6.     [4, u'二手郁达夫文集（ 国内版 ）全十二册馆藏书']
  7. ])
  9. inOp = BatchOperator.fromDataframe(df, schemaStr='id long, text string')
  11. segment = Segment().setSelectedCol("text").setOutputCol("segment")
  13. segment.transform(inOp).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.Segment;
  6. import org.junit.Test;
  8. import java.util.Arrays;
  9. import java.util.List;
  11. public class SegmentTest {
  12.     @Test
  13.     public void testSegment() throws Exception {
  14.         List <Row> df = Arrays.asList(
  15.             Row.of(0, "二手旧书:医学电磁成像"),
  16.             Row.of(1, "二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969"),
  17.             Row.of(2, "二手正版图解象棋入门/谢恩思主编/华龄出版社"),
  18.             Row.of(3, "二手中国糖尿病文献索引"),
  19.             Row.of(4, "二手郁达夫文集（ 国内版 ）全十二册馆藏书")
  20.         );
  21.         BatchOperator <?> inOp = new MemSourceBatchOp(df, "id int, text string");
  22.         Segment segment = new Segment().setSelectedCol("text").setOutputCol("segment");
  23.         segment.transform(inOp).print();
  24.     }
  25. }

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 |