使用 Node.js 對文本內(nèi)容分詞和關鍵詞抽取

更新時間：2017年05月27日 16:40:30 作者：猿說教育

這篇文章主要介紹了使用 Node.js 對文本內(nèi)容分詞和關鍵詞抽取,需要的朋友可以參考下

在討論技術前先賣個萌，吃貨的世界你不懂~~

眾成翻譯的文章有 tag，用戶可以基于 tag 來快速篩選感興趣的文章，文章也可以依照 tag 關聯(lián)來進行相關推薦。但是現(xiàn)在眾成翻譯的 tag 是在推薦文章的時候設置的，都是英文的，而且人工設置難免不規(guī)范和不完全。雖然發(fā)布文章后也可以人工編輯，但是我們也不能指望用戶或管理員能夠時時刻刻編輯出恰當?shù)?tag，所以我們需要用工具來自動生成 tag。

在現(xiàn)在開源的分詞工具里面，jieba是一個功能強大性能優(yōu)越的分詞組件，更幸運地是，它有 node 版本。

nodejieba 的安裝和使用十分簡單：

我們可以載入自己的字典，在字典里給每個詞分別設置權重和詞性：

編輯 user.uft8
地瓜 9999 n
金箍 9999 n
棒就棒在 9999
然后通過 nodejieba.load 加載字典。

除了分詞以外，我們可以利用 nodejieba 提取關鍵詞：

const content = `

HTTP、HTTP/2與性能優(yōu)化

本文的目的是通過比較告訴大家，為什么應該從HTTP遷移到HTTPS，以及為什么應該添加到HTTP/2的支持。在比較HTTP和HTTP/2之前，先看看什么是HTTP。

什么是HTTP

HTTP是在萬維網(wǎng)上通信的一組規(guī)則。HTTP屬于應用層協(xié)議，跑在TCP/IP層之上。用戶通過瀏覽器請求網(wǎng)頁時，HTTP負責處理請求并在Web服務器與客戶端之間建立連接。

有了HTTP/2，不使用雪碧圖、壓縮、拼接，也可以提升性能。然而，這不代表不應該使用這些技術。不過這已經(jīng)清楚表明了我們從HTTP/1.1移動到HTTP/2的必要性。
`;

const nodejieba = require("nodejieba");
const result = nodejieba.extract(content, 20);
console.log(result);

輸出的結果類似下面這樣：

[ { word: 'HTTP', weight: 140.8704516850025 },
 { word: '請求', weight: 14.23018001394 },
 { word: '應該', weight: 14.052171126120001 },
 { word: '萬維網(wǎng)', weight: 12.2912397395 },
 { word: 'TCP', weight: 11.739204307083542 },
 { word: '1.1', weight: 11.739204307083542 },
 { word: 'Web', weight: 11.739204307083542 },
 { word: '雪碧圖', weight: 11.739204307083542 },
 { word: 'HTTPS', weight: 11.739204307083542 },
 { word: 'IP', weight: 11.739204307083542 },
 { word: '應用層', weight: 11.2616203224 },
 { word: '客戶端', weight: 11.1926274509 },
 { word: '瀏覽器', weight: 10.8561552143 },
 { word: '拼接', weight: 9.85762638414 },
 { word: '比較', weight: 9.5435285574 },
 { word: '網(wǎng)頁', weight: 9.53122979951 },
 { word: '服務器', weight: 9.41204128224 },
 { word: '使用', weight: 9.03259988558 },
 { word: '必要性', weight: 8.81927328699 },
 { word: '添加', weight: 8.0484751722 } ]

我們添加一些新的關鍵詞到字典里：

性能
HTTP/2

輸出結果如下：

[ { word: 'HTTP', weight: 105.65283876375187 },
 { word: 'HTTP/2', weight: 58.69602153541771 },
 { word: '請求', weight: 14.23018001394 },
 { word: '應該', weight: 14.052171126120001 },
 { word: '性能', weight: 12.61259281884 },
 { word: '萬維網(wǎng)', 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: '雪碧圖', weight: 11.739204307083542 },
 { word: '應用層', weight: 11.2616203224 },
 { word: '客戶端', weight: 11.1926274509 },
 { word: '瀏覽器', weight: 10.8561552143 },
 { word: '拼接', weight: 9.85762638414 },
 { word: '比較', weight: 9.5435285574 },
 { word: '網(wǎng)頁', weight: 9.53122979951 },
 { word: '服務器', weight: 9.41204128224 },
 { word: '使用', weight: 9.03259988558 } ]

在這個基礎上，我們采用白名單的方式過濾出一些可以作為 tag 的詞：

const content = `

HTTP、HTTP/2與性能優(yōu)化

本文的目的是通過比較告訴大家，為什么應該從HTTP遷移到HTTPS，以及為什么應該添加到HTTP/2的支持。在比較HTTP和HTTP/2之前，先看看什么是HTTP。

什么是HTTP

HTTP是在萬維網(wǎng)上通信的一組規(guī)則。HTTP屬于應用層協(xié)議，跑在TCP/IP層之上。用戶通過瀏覽器請求網(wǎng)頁時，HTTP負責處理請求并在Web服務器與客戶端之間建立連接。

有了HTTP/2，不使用雪碧圖、壓縮、拼接，也可以提升性能。然而，這不代表不應該使用這些技術。不過這已經(jīng)清楚表明了我們從HTTP/1.1移動到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', '瀏覽器', '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: '瀏覽器', weight: 10.8561552143 } ]

這就是我們想要的結果。

以上就是分詞庫 nodejieba 基本的使用方法，在將來我們可以利用它對眾成翻譯發(fā)布的譯文自動分析添加相應的 tag，以為各位譯者和讀者提供更好的用戶體驗。

以上所述是小編給大家介紹的使用 Node.js 對文本內(nèi)容分詞和關鍵詞抽取，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！