使用 Node.js 对文本内容分词和关键词抽取
在讨论技术前先卖个萌,吃货的世界你不懂~~
众成翻译的文章有 tag,用户可以基于 tag 来快速筛选感兴趣的文章,文章也可以依照 tag 关联来进行相关推荐。但是现在众成翻译的 tag 是在推荐文章的时候设置的,都是英文的,而且人工设置难免不规范和不完全。虽然发布文章后也可以人工编辑,但是我们也不能指望用户或管理员能够时时刻刻编辑出恰当的 tag,所以我们需要用工具来自动生成 tag。
在现在开源的分词工具里面,jieba是一个功能强大性能优越的分词组件,更幸运地是,它有 node 版本。
nodejieba 的安装和使用十分简单:
npm install nodejieba var nodejieba = require("nodejieba"); var result = nodejieba.cut("帝国主义要把我们的地瓜分掉"); console.log(result); //[ '帝国主义', '要', '把', '我们', '的', '地', '瓜分', '掉' ] result = nodejieba.cut('土地,俺老孙的金箍棒在哪里?'); console.log(result); //[ '土地', ',', '俺', '老', '孙', '的', '金箍棒', '在', '哪里', '?' ] result = nodejieba.cut('大圣,您的金箍棒就棒在特别配您的头型!'); console.log(result); //[ '大圣',',','您','的','金箍棒','就','棒','在','特别','配','您','的','头型','!' ]
我们可以载入自己的字典,在字典里给每个词分别设置权重和词性:
编辑 user.uft8
地瓜 9999 n
金箍 9999 n
棒就棒在 9999
然后通过 nodejieba.load 加载字典。
var nodejieba = require("nodejieba"); nodejieba.load({ userdict: './user.utf8', }); var result = nodejieba.cut("帝国主义要把我们的地瓜分掉"); console.log(result); //[ '帝国主义', '要', '把', '我们', '的', '地瓜', '分', '掉' ] result = nodejieba.cut('土地,俺老孙的金箍棒在哪里?'); console.log(result); //[ '土地', ',', '俺', '老', '孙', '的', '金箍棒', '在', '哪里', '?' ] result = nodejieba.cut('大圣,您的金箍棒就棒在特别配您的头型!'); console.log(result); //[ '大圣', ',', '您', '的', '金箍', '棒就棒在', '特别', '配', '您', '的', '头型', '!' ]
除了分词以外,我们可以利用 nodejieba 提取关键词:
const content = `
http、http/2与性能优化
本文的目的是通过比较告诉大家,为什么应该从http迁移到https,以及为什么应该添加到http/2的支持。在比较http和http/2之前,先看看什么是http。
什么是http
http是在万维网上通信的一组规则。http属于应用层协议,跑在tcp/ip层之上。用户通过浏览器请求网页时,http负责处理请求并在web服务器与客户端之间建立连接。
有了http/2,不使用雪碧图、压缩、拼接,也可以提升性能。然而,这不代表不应该使用这些技术。不过这已经清楚表明了我们从http/1.1移动到http/2的必要性。
`;
const nodejieba = require("nodejieba"); const result = nodejieba.extract(content, 20); console.log(result);
输出的结果类似下面这样:
[ { word: 'http', weight: 140.8704516850025 }, { word: '请求', weight: 14.23018001394 }, { word: '应该', weight: 14.052171126120001 }, { word: '万维网', weight: 12.2912397395 }, { word: 'tcp', weight: 11.739204307083542 }, { word: '1.1', weight: 11.739204307083542 }, { word: 'web', weight: 11.739204307083542 }, { word: '雪碧图', weight: 11.739204307083542 }, { word: 'https', weight: 11.739204307083542 }, { word: 'ip', weight: 11.739204307083542 }, { word: '应用层', weight: 11.2616203224 }, { word: '客户端', weight: 11.1926274509 }, { word: '浏览器', weight: 10.8561552143 }, { word: '拼接', weight: 9.85762638414 }, { word: '比较', weight: 9.5435285574 }, { word: '网页', weight: 9.53122979951 }, { word: '服务器', weight: 9.41204128224 }, { word: '使用', weight: 9.03259988558 }, { word: '必要性', weight: 8.81927328699 }, { word: '添加', weight: 8.0484751722 } ]
我们添加一些新的关键词到字典里:
性能
http/2
输出结果如下:
[ { word: 'http', weight: 105.65283876375187 }, { word: 'http/2', weight: 58.69602153541771 }, { word: '请求', weight: 14.23018001394 }, { word: '应该', weight: 14.052171126120001 }, { word: '性能', weight: 12.61259281884 }, { word: '万维网', weight: 12.2912397395 }, { word: 'ip', weight: 11.739204307083542 }, { word: 'https', weight: 11.739204307083542 }, { word: '1.1', weight: 11.739204307083542 }, { word: 'tcp', weight: 11.739204307083542 }, { word: 'web', weight: 11.739204307083542 }, { word: '雪碧图', weight: 11.739204307083542 }, { word: '应用层', weight: 11.2616203224 }, { word: '客户端', weight: 11.1926274509 }, { word: '浏览器', weight: 10.8561552143 }, { word: '拼接', weight: 9.85762638414 }, { word: '比较', weight: 9.5435285574 }, { word: '网页', weight: 9.53122979951 }, { word: '服务器', weight: 9.41204128224 }, { word: '使用', weight: 9.03259988558 } ]
在这个基础上,我们采用白名单的方式过滤出一些可以作为 tag 的词:
const content = `
http、http/2与性能优化
本文的目的是通过比较告诉大家,为什么应该从http迁移到https,以及为什么应该添加到http/2的支持。在比较http和http/2之前,先看看什么是http。
什么是http
http是在万维网上通信的一组规则。http属于应用层协议,跑在tcp/ip层之上。用户通过浏览器请求网页时,http负责处理请求并在web服务器与客户端之间建立连接。
有了http/2,不使用雪碧图、压缩、拼接,也可以提升性能。然而,这不代表不应该使用这些技术。不过这已经清楚表明了我们从http/1.1移动到http/2的必要性。
`;
const nodejieba = require("nodejieba"); nodejieba.load({ userdict: './user.utf8', }); const result = nodejieba.extract(content, 20); const taglist = ['https', 'http', 'http/2', 'web', '浏览器', '性能']; console.log(result.filter(item => taglist.indexof(item.word) >= 0));
最后得到:
[ { word: 'http', weight: 105.65283876375187 }, { word: 'http/2', weight: 58.69602153541771 }, { word: '性能', weight: 12.61259281884 }, { word: 'https', weight: 11.739204307083542 }, { word: 'web', weight: 11.739204307083542 }, { word: '浏览器', weight: 10.8561552143 } ]
这就是我们想要的结果。
以上就是分词库 nodejieba 基本的使用方法,在将来我们可以利用它对众成翻译发布的译文自动分析添加相应的 tag,以为各位译者和读者提供更好的用户体验。
以上所述是小编给大家介绍的使用 node.js 对文本内容分词和关键词抽取,希望对大家有所帮助
上一篇: 跟老齐学Python之Import 模块
下一篇: C#中设计、使用Fluent API