QuickTutorial
FNLP入门教程
（by h4x3rotab）
FNLP是一个致力于中文自然语言处理的开源项目，提供了进行自然语言处理的工具，包括分词、词性标注、句法分析、文本相似度计算等等，以及进行处理所需的数据集。从功能的角度而言，FNLP与著名的Python自然语言处理工具包NLTK较为类似，但后者对中文处理的能力较差。
FNLP采用Java编写，使得它可以轻松运行在各种不同的平台之上，不仅可以通过命令行调用，同时也可以十分便捷的集成到各种Java项目之中。
FNLP是一个开源项目，其代码托管在Github.com之上。有多种方法从FNLP的Github页面下载最新源码。
-
直接下载ZIP包
进入Github中的FNLP项目首页，在页面右侧点击“Download ZIP”按钮，即可从Github下载到FNLP的最新源码包。得到的ZIP包解压缩后即可使用。用这种方法得到的是一份纯净的FNLP源码。
-
直接利用Git下载
对于习惯使用源码管理工具Git的用户，可以直接使用Git下载最新源码，命令如下：
git clone https://github.com/xpqiu/fnlp.git采用这种方法得到的是一份包含Git仓库的源码，除了纯净的源码外，还可以利用Git的版本控制功能查阅每个文件的任何一个历史版本。Git是一个支持多人协作的源码版本管理系统，详情参见Wikipedia页面，或Git官方网站。
除了源码文件，还需要下载FNLP语言模型文件。由于模型文件交大，不便于存放在源码库之中，请至Release页面下载，并将模型文件放在“models”目录。
- seg.m 分词模型
- pos.m 词性标注模型
- dep.m 依存句法分析模型
下载后得到文件结构应与FNLP Github页面中呈现的一致，确认无误后即可开始编译运行。
FNLP的编译并不复杂，但需要确保系统中已经安装好了编译所必备的工具。
-
安装与配置JDK
在编译前，确保已经正确安装并配置了JDK（版本需Java 1.6或以上）。配置后，
PATH环境变量中应包含JDK目录，确保可以在命令行中运行java与javac工具。java -version javac -version -
安装与配置Maven
Maven是一款先进的Java项目管理工具，用于项目的管理与编译，FNLP也采用Maven构建。完成了Maven的安装与配置后，确保可以在命令行中查看Maven版本号：
mvn -version -
编译FNLP
在命令行中进入FNLP的源码目录（即“README.md”所在的目录），执行如下命令进行编译：
mvn install -Dmaven.test.skip=true
此时Maven会显示编译结果，如果见到类似如下的语句，说明编译成功。
[INFO] Reactor Summary:
[INFO]
[INFO] fnlp-all ........................................... SUCCESS [ 0.225 s]
[INFO] fnlp-core .......................................... SUCCESS [ 1.417 s]
[INFO] fnlp-dev ........................................... SUCCESS [ 0.182 s]
[INFO] fnlp-train ......................................... SUCCESS [ 0.193 s]
[INFO] fnlp-app ........................................... SUCCESS [ 0.246 s]
[INFO] fnlp-demo .......................................... SUCCESS [ 0.153 s]
[INFO] ------------------------------------------------------------------------
[INFO] BUILD SUCCESS
通过这种方法，会编译四个Jar包：fnlp-core、fnlp-dev、fnlp-train、fnlp-app、fnlp-demo。它们分别位于源码目录中，各自对应目录中的"target"目录之中，例如fnlp-core的软件包位于：
fnlp-core/target/fnlp-core-2.0-SNAPSHOT.jar
如果遇到错误“软件包 org.junit 不存在”，则可修改源码目录下的“pom.xml”文件。找到包含“junit”的依赖设置：
junit
junit
4.11
test
删除其中的scope元素所在行。完成编辑保存后，再次执行编译命令，即可顺利编译。
FNLP提供了命令行下的调用方法，这也是测试是否正确编译最简单的手段。下面简单地列举FNLP支持的部分功能与使用方式。 然而在执行前，还需要下载两个Java工具包。
假设命令行当前位于源码目录，且依赖的Jar包位于“libs”目录下。
可以通过两种方式：
1 执行maven命令：
mvn dependency:copy-dependencies -DoutputDirectory=libs
这样jar包都会copy到工程目录下的libs里面
2 手动方式：
下载两个依赖包，下载后的工具包可以存放于“libs”目录。
FNLP目录结构
然后可以通过下列命令调用FNLP。
-
中文分词
java -Xmx1024m -Dfile.encoding=UTF-8 -classpath "fnlp-core/target/fnlp-core-2.1-SNAPSHOT.jar:libs/trove4j-3.0.3.jar:libs/commons-cli-1.2.jar" org.fnlp.nlp.cn.tag.CWSTagger -s models/seg.m "自然语言是人类交流和思维的主要工具，是人类智慧的结晶。"执行结果如下：
自然 语言 是 人类 交流 和 思维 的 主要 工具 ， 是 人类 智慧 的 结晶 。命令行运行截图
参数“-Xmx1024m”设置Java虚拟机的可用内存为1024M。FNLP载入语言模型所需内存较大，因此可以利用此参数修改可用内存量。
参数“-classpath ...”载入Jar文件。因此在引号内依次写下fnlp-core、trove、commons-cli的Jar包路径，使用英文冒号分隔文件名（Windows系统下用英文分号分隔文件名）。
参数“org.fnlp.nlp.cn.tag.CWSTagger”指定了本次调用的类名，表示调用中文分词器CWSTagger。而后续的参数是根据所调用的类确定的，例如，CWSTagger需要通过“-s”参数指定语言模型文件“models/seg.m”。
中文分词从输入文件：
java -Xmx1024m -Dfile.encoding=UTF-8 -classpath "fnlp-core/target/fnlp-core-2.1-SNAPSHOT.jar:libs/trove4j-3.0.3.jar:libs/commons-cli-1.2.jar" org.fnlp.nlp.cn.tag.CWSTagger -f models/seg.m <input file> <output file>以"-f"代"-s"参数来分词从文件。
-
中文词性标注
java -Xmx1024m -Dfile.encoding=UTF-8 -classpath "fnlp-core/target/fnlp-core-2.1-SNAPSHOT.jar:libs/trove4j-3.0.3.jar:libs/commons-cli-1.2.jar" org.fnlp.nlp.cn.tag.POSTagger -s models/seg.m models/pos.m "周杰伦出生于台湾，生日为79年1月18日，他曾经的绯闻女友是蔡依林。"执行结果如下：
周杰伦/人名 出生/动词 于/介词 台湾/地名 ，/标点 生日/名词 为/介词 79年/时间短语 1月/时间短语 18日/时间短语 ，/标点 他/人称代词 曾经/副词 的/结构助词 绯闻/名词 女友/名词 是/动词 蔡依林/人名 。/标点 -
实体名识别
java -Xmx1024m -Dfile.encoding=UTF-8 -classpath "fnlp-core/target/fnlp-core-2.1-SNAPSHOT.jar:libs/trove4j-3.0.3.jar:libs/commons-cli-1.2.jar" org.fnlp.nlp.cn.tag.NERTagger -s models/seg.m models/pos.m "詹姆斯·默多克和丽贝卡·布鲁克斯 鲁珀特·默多克旗下的美国小报《纽约邮报》的职员被公司律师告知，保存任何也许与电话窃听及贿赂有关的文件。"执行结果如下：
{詹姆斯·默多克=人名, 鲁珀特·默多克旗=人名, 丽贝卡·布鲁克斯=人名, 纽约=地名, 美国=地名}
使用命令行的方式，不必编写Java代码即可体验到FNLP的强大功能，是进行功能测试与开发轻量级应用的绝佳方法。除了以上三种功能，FNLP还提供了更多的命令行接口，将在第3章节详细介绍。同时，下一个版本的FNLP也会开放更多的命令行接口供用户使用。
虽然FNLP提供了方便的命令行接口，当希望在Java项目中使用FNLP强大的语言处理能力，最佳方式仍然是以库的形式调用FNLP。在这一部分讲介绍如何在两种常见的IDE中引用FNLP，并简单的介绍库的使用方法。
Eclipse是老牌的Java IDE，在项目中引用FNLP非常简单（以JUNO 4.2版本为例）。
-
添加库引用
在IDE左侧的
Package Explorer中选择项目名称，右击，在菜单中选择Build Path，Add External Archives...，则会弹出文件选择对话框，依次查找并添加下列文件：- fnlp-core-2.1-SNAPSHOT.jar
- trove4j-3.0.3.jar
- commons-cli-1.2.jar
Add External Archives菜单
这三个文件分别为FNLP的核心程序包，与两个库依赖的工具包。前者通过FNLP源码编译得到，而后者可以从互联网中下载。在命令行调用一节中已经提供了下载地址。
完成以上操作后，在
Package Explorer中的项目目录之下，可以在Referenced Libraries目录中看到以上三个Jar程序包，则成功引用了FNLP。 -
修改最大内存量
接下来修改程序的可用内存大小。由于FNLP的语言模型加载需要较大内存，Java默认的内存量通常不足，因此尽量设为1024MB或更大。
在
Package Explorer中选择项目名称，右击，在菜单中选择Properties。在弹出的属性窗口左侧选择Run/Debug Settings，则会呈现项目所有的启动配置。选择当前的启动配置，并点击右侧Edit...，出现Edit Configuration窗口。选择Arguments栏，找到VM arguments输入框，并添加如下参数：-Xmx2048m其中2048m表示允许最大内存空间2048MB，可以按需要进行修改，最后点击确认离开配置窗口。
修改内存量
-
添加模型文件
模型文件指词典、训练后的中文分词器、POS标注器等，它们位于FNLP源码目录下的“models”目录之中。将此目录复制到Eclipse项目目录之下即可。
项目目录可以通过如下方法找到：在
Package Explorer的项目名称上右击，选择Properties，出现属性窗口。窗口左侧选择Resource，则Location的内容即为项目目录。Eclipse项目文件结构
Intellij IDEA是近几年流行起来的IDE，引用FNLP库也十分简单（以IDEA 13版本为例）。
-
添加库引用
对于单个模块的应用程序，建议在IDE左侧
Project视图的项目目录中添加“libs”目录，查找并向此目录中复制如下Jar文件：- fnlp-core-2.1-SNAPSHOT.jar
- trove4j-3.0.3.jar
- commons-cli-1.2.jar
以上三个文件的获取请参考上一节。完成上述操作后，可以在
Project视图的“libs”目录中看到三个Jar文件。依次在文件上右键，选择Add as Library...，出现创建库窗口，在窗口中选择合适的配置，确认即可。对于多模块的应用程序，也可以在
Project Structure窗口的Libraries中添加库引用。使用这种方法添加的引用，需要添加了如上三个Jar程序包后，在Libraries中的程序包上分别右键，选择Add to Modules...，选择合适模块，以便所有调用FNLP的模块可以得到引用。 -
修改最大内存量
FNLP在载入语言模型时需要内存量较大，建议设为1024MB以上。点击菜单
Run，Edit Configurations...，出现运行配置窗口。在窗口的左侧Application栏目中选择当前的应用程序后，在窗口中的VM options中添加如下参数：-Xmx2048m其中2040m表示最大内存为2048MB，可以按需要进行修改，最后点击确认离开配置窗口。
Intellij IDEA 修改内存量
-
添加模型文件
FNLP的模型文件包含中文词典、已训练的分词器、POS标注器等，它们位于FNLP源码目录的“models”目录之中。只需把“models”目录复制到当前的项目目录即可。
项目目录可以通过如下方式查找：在IDE的
Project视图中，选择项目名称，右击并选择Show in Explorer（Windows系统）或Reveal in Finder（OS X系统）。
创建一个Java项目，参考上一节准备好环境配置，就可以顺利的调用FNLP进行自然语言处理了。接下来以一个控制台项目为例，一步一步实现最简单常见的任务。
FNLP提供了一系列中文处理工具，其中中文分词、词性标注、实体名识别等基础功能已经封装在工厂类CNFactory之中。CNFactory位于org.fnlp.nlp.cn包之中，经过初始化后就可以使用其提供的全部功能：
import org.fnlp.nlp.cn.CNFactory;
CNFactory factory = CNFactory.getInstance("models");以上代码创建了一个CNFactory对象，并载入位于“models”目录下的模型文件。接下来就可以使用CNFactory的对象来进行各种中文语言处理任务。
-
中文分词
CNFactory.seg(String)方法提供了中文分词功能。在main函数中写入如下代码：public static void main(String[] args) throws Exception { // 创建中文处理工厂对象，并使用“models”目录下的模型文件初始化 CNFactory factory = CNFactory.getInstance("models"); // 使用分词器对中文句子进行分词，得到分词结果 String[] words = factory.seg("关注自然语言处理、语音识别、深度学习等方向的前沿技术和业界动态。"); // 打印分词结果 for(String word : words) { System.out.print(word + " "); } System.out.println(); }
编译运行，就可以得到分词结果：
关注 自然 语言 处理 、 语音 识别 、 深度 学习 等 方向 的 前沿 技术 和 业界 动态 。 -
中文词性标注
CNFactory.tag2String方法提供了中文词性标注功能。在main函数处写入如下代码：public static void main(String[] args) throws Exception { // 创建中文处理工厂对象，并使用“models”目录下的模型文件初始化 CNFactory factory = CNFactory.getInstance("models"); // 使用标注器对中文句子进行标注，得到标注结果 String result = factory.tag2String("关注自然语言处理、语音识别、深度学习等方向的前沿技术和业界动态。"); // 显示标注结果 System.out.println(result); }
编译运行，可以得到标注结果：
关注/动词 自然/名词 语言/名词 处理/动词 、/标点 语音/名词 识别/名词 、/标点 深度/形容词 学习/名词 等/省略词 方向/名词 的/结构助词 前沿/名词 技术/名词 和/并列连词 业界/名词 动态/名词 。/标点 -
实体名识别
CNFactory.ner(String)函数提供了实体名识别功能。在main函数中写入如下代码：public static void main(String[] args) throws Exception { // 创建中文处理工厂对象，并使用“models”目录下的模型文件初始化 CNFactory factory = CNFactory.getInstance("models"); // 使用标注器对包含实体名的句子进行标注，得到结果 HashMap<String, String> result = factory.ner("詹姆斯·默多克和丽贝卡·布鲁克斯 鲁珀特·默多克旗下的美国小报《纽约邮报》的职员被公司律师告知，保存任何也许与电话窃听及贿赂有关的文件。"); // 显示标注结果 System.out.println(result); }
编译运行，得到识别结果：
{詹姆斯·默多克=人名, 鲁珀特·默多克旗=人名, 丽贝卡·布鲁克斯=人名, 纽约=地名, 美国=地名}
快速入门这一章节简单的介绍了FNLP库的编译安装、命令行调用，以及使用FNLP库。相信在这一章的介绍后，读者已经对FNLP的使用有了初步的认识。除了本教程以外，还可以通过互联网上的许多资源来更深入地研究、学习FNLP，下面就列出了部分相关的资料。如果您愿意与大家分享学习FNLP的经验，欢迎联系我们，这个列表将会不停更新下去。
- FNLP官方博客：http://fnlp.org
- FNLP Github页面：http://github.com/xpqiu/fnlp
- FNLP JavaDoc文档（版本待更新）：http://fudannlp.googlecode.com/svn/FudanNLP-1.5-API/java-docs/index.html
- ...
（仍在进一步整理中……）