java - the - Sentencia Parse Stanford Parser pasando Cadena no una serie de cadenas

stanford nlp github

Question

¿Es posible analizar una oración utilizando Stanford Parser al pasar una cadena y no una matriz de cadenas? Este es el ejemplo que dieron en su breve tutorial ( Ver Documentos ):

Aquí hay un ejemplo:

    import java.util.*;
    import edu.stanford.nlp.ling.*;
    import edu.stanford.nlp.trees.*;
    import edu.stanford.nlp.parser.lexparser.LexicalizedParser;

    class ParserDemo {
      public static void main(String[] args) {
        LexicalizedParser lp = LexicalizedParser.loadModel("edu/stanford/nlp/models/lexparser/englishPCFG.ser.gz");
        lp.setOptionFlags(new String[]{"-maxLength", "80", "-retainTmpSubcategories"});

        String[] sent = { "This", "is", "an", "easy", "sentence", "." }; // This is the sentence to be parsed
        List<CoreLabel> rawWords = Sentence.toCoreLabelList(sent);
        Tree parse = lp.apply(rawWords);
        parse.pennPrint();
        System.out.println();

        TreebankLanguagePack tlp = new PennTreebankLanguagePack();
        GrammaticalStructureFactory gsf = tlp.grammaticalStructureFactory();
        GrammaticalStructure gs = gsf.newGrammaticalStructure(parse);
        List<TypedDependency> tdl = gs.typedDependenciesCCprocessed();
        System.out.println(tdl);
        System.out.println();

      }

}

Estoy tratando de ver si puedo hacer esto porque necesito obtener oraciones de una base de datos MySQL y analizarlas directamente como cadenas. Podría cambiar las oraciones y agregar las palabras, comas y punto a una matriz de cuerdas. Sin embargo, para tokenizar estas oraciones, tendría que usar Stanford Tokenizer, PTBTokenizer. El constructor de este tokenizer se enumera aquí

( Ver Documentos )

requiere un objeto "java.io.FileReader", pero no estoy leyendo un archivo del directorio. Así que me pregunto si hay una forma de Parsear la oración directamente pasando una cadena, o si puedo resolver mi problema al tokenizar la oración sin requerir un objeto "java.io.FileReader".

Answer 1

Para un uso simple, con el tokenizador predeterminado y las opciones predeterminadas de tokenizer para una gramática, existe un método de conveniencia fácil que puede usar:

lp.parse(String)

Pero los métodos de PTBTokenizer que apunta no toman un FileReader , simplemente toman un Reader , por lo que también puede apuntar fácilmente un PTBTokenizer a una Cadena al envolver la Cadena en un StringReader . Este es el enfoque correcto si necesita más control sobre cómo ocurre la tokenización.