使用 Node.js 对文本内容分词和关键词抽取

转自：掘金 - 十年踪迹

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。