一个简单的英文分词程序

王朝java/jsp·作者佚名  2006-01-09
宽屏版  字体: |||超大  

在实验室接手的第一个任务,写一个英文分词程序,要将形如:Books in tuneBoxes are for Chinese-Children!断为:Book in tune Box are for Chinese child,也就是说要将复数转为单数,将连写的首字母大写的单词分开等等。复数转单数考虑的比较周全了应该,基本囊活了绝大多数情况。根据大写断词上考虑有些欠妥,比如NEC这样的词显然应该保留,但是这儿会被拆为三个单词。正在试图改进

/**

* 分词

*

* @param source

* 待分的字符串

* @return String[]

*/

public String[] fenci(String source) {

/* 分隔符的集合 */

String delimiters = " \t\n\r\f~!@#$%^&*()_+|`1234567890-=\\{}[]:\";'<>?,./'";

/* 根据分隔符分词 */

StringTokenizer stringTokenizer = new StringTokenizer(source,

delimiters);

Vector vector = new Vector();

/* 根据大写首字母分词 */

while (stringTokenizer.hasMoreTokens()) {

String token = stringTokenizer.nextToken();

int index = 0;

flag1: while (index < token.length()) {

flag2: while (true) {

index++;

if ((index == token.length())

|| !Character.isLowerCase(token.charAt(index))) {

break flag2;

}

}

vector.addElement(token.substring(0, index));

//System.out.println("识别出" + token.substring(0, index));

token = token.substring(index);

//System.out.println("剩余" + token);

index = 0;

continue flag1;

}

}

/*

* 复数转单数 参考以下文档:

* http://ftp.haie.edu.cn/Resource/GZ/GZYY/DCYFWF/NJSYYY/421b0061ZW_0015.htm

*/

for (int i = 0; i < vector.size(); i++) {

String token = (String) vector.elementAt(i);

if (token.equalsIgnoreCase("feet")) {

token = "foot";

} else if (token.equalsIgnoreCase("geese")) {

token = "goose";

} else if (token.equalsIgnoreCase("lice")) {

token = "louse";

} else if (token.equalsIgnoreCase("mice")) {

token = "mouse";

} else if (token.equalsIgnoreCase("teeth")) {

token = "tooth";

} else if (token.equalsIgnoreCase("oxen")) {

token = "ox";

} else if (token.equalsIgnoreCase("children")) {

token = "child";

} else if (token.endsWith("men")) {

token = token.substring(0, token.length() - 3) + "man";

} else if (token.endsWith("ies")) {

token = token.substring(0, token.length() - 3) + "y";

} else if (token.endsWith("ves")) {

if (token.equalsIgnoreCase("knives")

|| token.equalsIgnoreCase("wives")

|| token.equalsIgnoreCase("lives")) {

token = token.substring(0, token.length() - 3) + "fe";

} else {

token = token.substring(0, token.length() - 3) + "f";

}

} else if (token.endsWith("oes") || token.endsWith("ches")

|| token.endsWith("shes") || token.endsWith("ses")

|| token.endsWith("xes")) {

token = token.substring(0, token.length() - 2);

} else if (token.endsWith("s")) {

token = token.substring(0, token.length() - 1);

}

/* 处理完毕 */

vector.setElementAt(token, i);

}

/* 转为数组形式 */

String[] array = new String[vector.size()];

Enumeration enumeration = vector.elements();

int index = 0;

while (enumeration.hasMoreElements()) {

array[index] = (String) enumeration.nextElement();

index++;

}

/* 打印显示 */

for (int i = 0; i < array.length; i++) {

System.out.println(array[i]);

}

/* 返回 */

return array;

}

 
 
 
免责声明:本文为网络用户发布,其观点仅代表作者个人观点,与本站无关,本站仅提供信息存储服务。文中陈述内容未经本站证实,其真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
© 2005- 王朝网络 版权所有