文本 - 停用词过滤 (StopWordsRemoverBatchOp) - 《Alink 1.5.6 文档 - 帮助手册 - 教程》

功能介绍
- 使用方式
参数说明
代码示例

Java 类名：com.alibaba.alink.operator.batch.nlp.StopWordsRemoverBatchOp
Python 类名：StopWordsRemoverBatchOp

功能介绍

过滤文本中的噪声词语（例如：的、是、啊等）。

使用方式

文本列通过参数 selectedCol 指定，需要是空格分隔的词语，可以使用分词（SegmentBatchOp）组件的输出结果列。
可以通过参数 caseSensitive 设置过滤时是否大小写敏感。
噪声词表可以从这里
查看。通过参数 stopWords 可以添加额外的噪声词语。

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 | | —- | —- | —- | —- | —- | —- | —- |

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']])
inOp1 = BatchOperator.fromDataframe(df, schemaStr='id int, text string')
inOp2 = StreamOperator.fromDataframe(df, schemaStr='id int, text string')
segment = SegmentBatchOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp1)
remover = StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover").linkFrom(segment)
remover.print()
segment2 = SegmentStreamOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp2)
remover2 = StopWordsRemoverStreamOp().setSelectedCol("segment").setOutputCol("remover").linkFrom(segment2)
remover2.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.SegmentBatchOp;
import com.alibaba.alink.operator.batch.nlp.StopWordsRemoverBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.nlp.SegmentStreamOp;
import com.alibaba.alink.operator.stream.nlp.StopWordsRemoverStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;
import java.util.Arrays;
import java.util.List;
public class StopWordsRemoverBatchOpTest {
    @Test
    public void testStopWordsRemoverBatchOp() 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")
        );
        BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
        StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text string");
        BatchOperator <?> segment =
            new SegmentBatchOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp1);
        BatchOperator <?> remover = new StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover")
            .linkFrom(segment);
        remover.print();
        StreamOperator <?> segment2 = new SegmentStreamOp().setSelectedCol("text").setOutputCol("segment").linkFrom(
            inOp2);
        StreamOperator <?> remover2 = new StopWordsRemoverStreamOp().setSelectedCol("segment").setOutputCol("remover")
            .linkFrom(segment2);
        remover2.print();
        StreamOperator.execute();
    }
}

运行结果

批运行结果

| id | text | segment | remover | | —- | —- | —- | —- |

流运行结果

| id | text | segment | remover | | —- | —- | —- | —- |