RegexTokenizer (RegexTokenizerStreamOp)

Java 类名：com.alibaba.alink.operator.stream.nlp.RegexTokenizerStreamOp
Python 类名：RegexTokenizerStreamOp

功能介绍

通过正则表达式对文本进行切分或者匹配操作。

使用方式

文本列通过参数 selectedCol 指定，切分或者匹配用的正则表达式通过参数 pattern 指定。
当参数 gaps 为 True 时，对文本进行切分操作（类似于分词）； 当参数 gaps 为 为 False 时，将提取匹配正则表达式的词语。
对于处理后的结果，还可以通过参数 minTokenLength 根据长度筛掉词语，或者通过参数 toLowerCase 将所有词语转为小写。

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

| selectedCol | 选中的列名 | 计算列对应的列名 | String | ✓ | 所选列类型为 [STRING] | |

| gaps | 切分/匹配 | 如果gaps为True，pattern用于切分文档；如果gaps为False，会提取出匹配pattern的词。 | Boolean | | | true |

| minTokenLength | 词语最短长度 | 词语的最短长度，小于这个值的词语会被过滤掉 | Integer | | | 1 |

| outputCol | 输出结果列 | 输出结果列列名，可选，默认null | String | | | null |

| pattern | 分隔符/正则匹配符 | 如果gaps为True，pattern用于切分文档；如果gaps为False，会提取出匹配pattern的词。 | String | | | “\s+” |

| reservedCols | 算法保留列名 | 算法保留列 | String[] | | | null |

| toLowerCase | 是否转换为小写 | 转换为小写 | Boolean | | | true |

| numThreads | 组件多线程线程个数 | 组件多线程线程个数 | Integer | | | 1 |

代码示例

Python 代码

df = pd.DataFrame([
    [0, 'That is an English Book!'],
    [1, 'Do you like math?'],
    [2, 'Have a good day!']
])
inOp1 = BatchOperator.fromDataframe(df, schemaStr='id long, text string')
op = RegexTokenizerBatchOp().setSelectedCol("text").setGaps(False).setToLowerCase(True).setOutputCol(
    "token").setPattern("\\w+")
op.linkFrom(inOp1).print()
inOp2 = StreamOperator.fromDataframe(df, schemaStr='id long, text string')
op2 = RegexTokenizerStreamOp().setSelectedCol("text").setGaps(False).setToLowerCase(True).setOutputCol(
    "token").setPattern("\\w+")
op2.linkFrom(inOp2).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.RegexTokenizerBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.nlp.RegexTokenizerStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;
import java.util.Arrays;
import java.util.List;
public class RegexTokenizerStreamOpTest {
    @Test
    public void testRegexTokenizerStreamOp() throws Exception {
        List <Row> df = Arrays.asList(
            Row.of(0, "That is an English Book!"),
            Row.of(1, "Do you like math?"),
            Row.of(2, "Have a good day!")
        );
        BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
        BatchOperator <?> op = new RegexTokenizerBatchOp().setSelectedCol("text").setGaps(false).setToLowerCase(true)
            .setOutputCol("token").setPattern("\\w+");
        op.linkFrom(inOp1).print();
        StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text string");
        StreamOperator <?> op2 =
            new RegexTokenizerStreamOp().setSelectedCol("text").setGaps(false).setToLowerCase(true)
                .setOutputCol("token").setPattern("\\w+");
        op2.linkFrom(inOp2).print();
        StreamOperator.execute();
    }
}

运行结果

批运行结果

| id | text | token | | —- | —- | —- |

| 0 | That is an English Book! | that is an english book |

| 1 | Do you like math? | do you like math |

| 2 | Have a good day! | have a good day |

流运行结果

| id | text | token | | —- | —- | —- |

| 0 | That is an English Book! | that is an english book |

| 2 | Have a good day! | have a good day |

| 1 | Do you like math? | do you like math |