我想知道是否有API可以在Java中进行文本分析。可以提取文本中的所有单词，单独的单词，表达式等的东西。如果找到的单词是数字，日期，年份，名称，货币等，则可以告知它。
我现在正在开始文本分析，所以我只需要一个API就可以开始了。我做了一个网络爬虫，现在我需要一些东西来分析下载的数据。需要方法来计算一个页面中的单词数、相似的单词、数据类型和与文本相关的其他资源。
Java中是否有用于文本分析的API？
编辑：文本挖掘，我想挖掘文本。一个用于 Java 的 API，它提供了这一点。
看起来你正在寻找一个命名实体识别器。
你有几个选择。
来自斯坦福自然语言处理组的CRFClassifier是命名实体识别器的Java实现。
GATE（文本工程的通用架构），一个用于语言处理的开源套件。看看开发人员页面上的屏幕截图：http://gate.ac.uk/family/developer.html。它应该让您简要了解这可以做什么。视频教程可让您更好地了解该软件所提供的功能。
您可能需要自定义其中一个以满足您的需求。
您还有其他选择：
在CRFClassifier的培训方面，您可以在他们的FAQ中找到简要说明：
...训练数据应位于制表符分隔的列中，并通过映射定义这些列的含义。一列应该称为“answer”并具有NER类，并且现有功能知道“word”和“tag”等名称。您可以定义数据文件、地图以及要通过属性文件生成的要素。关于NERFeatureFactory的Javadoc中不同属性生成的功能有相当多的文档，尽管最终您必须转到源代码来回答一些问题...
您还可以在 CRFClassifier 的 javadoc 上找到一个代码片段：
典型的命令行用法
要在文本文件上使用提供的序列化分类器运行经过训练的模型：
java -mx500m edu.stanford.nlp.ie.crf.CRFClassifier -loadClassifier conll.ner.gz -textFile samplesentences.txt在属性文件中指定所有参数时（训练、测试或运行时）：
java -mx1g edu.stanford.nlp.ie.crf.CRFClassifier -prop propFile要从命令行训练和测试简单的 NER 模型，请执行以下操作：
java -mx1000m edu.stanford.nlp.ie.crf.CRFClassifier -trainFile trainFile -testFile testFile -macro > output
例如 - 您可以使用标准库中的某些类，也可以使用（您可以根据需要自定义它）。但如您所知 - 来自互联网源的文本数据通常有许多正字法错误，为了获得更好的性能，您必须使用模糊分词器之类的东西 - java.text和其他标准实用程序在此类上下文中的功能太有限。java.textStreamTokenizer
因此，我建议您使用正则表达式（java.util.regex）并根据您的需要创建自己的分词器。
附言根据您的需要 - 您可以创建状态机解析器来识别原始文本中的模板化部分。您可能会在下图中看到简单的状态机识别器（您可以构建更高级的解析器，它可以识别文本中更复杂的模板）。
