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

  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. SegmentBatchOp() \
  12.     .setSelectedCol("text") \
  13.     .setOutputCol("segment") \
  14.     .linkFrom(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.nlp.SegmentBatchOp;
  5. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  6. import org.junit.Test;
  8. import java.util.Arrays;
  9. import java.util.List;
  11. public class SegmentBatchOpTest {
  12.     @Test
  13.     public void testSegmentBatchOp() 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.         new SegmentBatchOp()
  23.             .setSelectedCol("text")
  24.             .setOutputCol("segment")
  25.             .linkFrom(inOp).print();
  26.     }
  27. }

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 |