Trie Tree 实现中文分词器

前言

继上一篇HashMap实现中文分词器后，对Trie Tree的好奇，又使用Trie Tree实现了下中文分词器。效率比HashMap实现的分词器更高。

Trie Tree 简介

Trie Tree，又称单词字典树、查找树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计和排序大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。它的优点是：最大限度地减少无谓的字符串比较，查询效率比哈希表高。

性质

它有3个基本性质：

1. 根节点不包含字符，除根节点外每一个节点都只包含一个字符。

2. 从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串。

3. 每个节点的所有子节点包含的字符都不相同。

Trie Tree 结构

Trie Tree分词原理：

(1) 从根结点开始一次搜索，比如搜索【北京】；

(2) 取得要查找关键词的第一个字符【北】，并根据该字符选择对应的子树并转到该子树继续进行检索；

(3) 在相应的子树上，取得要查找关键词的第二个字符【京】,并进一步选择对应的子树进行检索。

(4) 迭代过程……

(5) 在直到判断树节点的isEnd节点为true则查找结束（最小匹配原则），然后发现【京】isEnd=true，则结束查找。

示例

下面用java简单实现

package cn.com.infcn.algorithm;

import java.util.HashMap;
import java.util.LinkedList;
import java.util.List;
import java.util.Map;
import java.util.Map.Entry;

/**
* jijs
* 正向最大匹配
*/
public class TrieTreeDemo {
static class Node {
//记录当前节点的字
char c;
//判断该字是否词语的末尾，如果是则为false
boolean isEnd;
//子节点
List<Node> childList;

public Node(char c) {
super();
this.c = c;
isEnd = false;
childList = new LinkedList<Node>();
}

//查找当前子节点中是否保护c的节点
public Node findNode(char c){
for(Node node : childList){
if(node.c == c){
return node;
}
}

return null;
}
}

static class TrieTree{
Node root = new Node(' ');

//构建Trie Tree
public void insert(String words){
char[] arr = words.toCharArray();
Node currentNode = root;
for (char c : arr) {
Node node = currentNode.findNode(c);
//如果不存在该节点则添加
if(node == null){
Node n = new Node(c);
currentNode.childList.add(n);
currentNode = n;
}else{
currentNode = node;
}
}
//在词的最后一个字节点标记为true
currentNode.isEnd = true;
}

//判断Trie Tree中是否包含该词
public boolean search(String word){
char[] arr = word.toCharArray();
Node currentNode = root;
for (int i=0; i<arr.length; i++) {
Node n = currentNode.findNode(arr[i]);
if(n != null){
currentNode = n;
//判断是否为词的尾节点节点
if(n.isEnd){
if(n.c == arr[arr.length-1]){
return true;
}
}
}
}
return false;
}

//最大匹配优先原则
public Map<String, Integer> tokenizer(String words){
char[] arr = words.toCharArray();
Node currentNode = root;
Map<String, Integer> map = new HashMap<String, Integer>();
//记录Trie Tree 从root开始匹配的所有字
StringBuilder sb = new StringBuilder();;
//最后一次匹配到的词，最大匹配原则，可能会匹配到多个字，以最长的那个为准
String word="";
//记录记录最后一次匹配坐标
int idx = 0;
for (int i=0; i<arr.length; i++) {
Node n = currentNode.findNode(arr[i]);
if(n != null){
sb.append(n.c);
currentNode = n;
//匹配到词
if(n.isEnd){
//记录最后一次匹配的词
word = sb.toString();
//记录最后一次匹配坐标
idx = i;
}
}else{
//判断word是否有值
if(word!=null && word.length()>0){
Integer num = map.get(word);
if(num==null){
map.put(word, 1);
}else{
map.put(word, num+1);
}
//i回退到最后匹配的坐标
i=idx;
//从root的开始匹配
currentNode = root;
//清空匹配到的词
word = null;
//清空当前路径匹配到的所有字
sb = new StringBuilder();
}
}
if(i==arr.length-2){
if(word!=null && word.length()>0){
Integer num = map.get(word);
if(num==null){
map.put(word, 1);
}else{
map.put(word, num+1);
}
}
}
}

return map;
}
}

public static void main(String[] args) {
TrieTree tree = new TrieTree();
tree.insert("北京");
tree.insert("海淀区");
tree.insert("中国");
tree.insert("中国人民");
tree.insert("中关村");

String word = "中国";
//查找该词是否存在 Trid Tree 中
boolean flag = tree.search(word);
if(flag){
System.out.println("Trie Tree 中已经存在【"+word+"】");
}else{
System.out.println("Trie Tree 不包含【"+word+"】");
}

//分词
Map<String, Integer> map = tree.tokenizer("中国人民，中国首都是北京，中关村在海淀区,中国北京天安门。中国人");
for (Entry<String, Integer> entry : map.entrySet()) {
System.out.println(entry.getKey()+":"+entry.getValue());
}

}
}

想了解更多精彩内容请关注我的公众号



本人简书blog地址：http://www.jianshu.com/u/1f0067e24ff8    

点击这里快速进入简书

GIT地址：http://git.oschina.net/brucekankan/

点击这里快速进入GIT