Java+HanLP实战：如何从混乱文本中精准抓取姓名和地址（附完整代码）

最新推荐文章于 2026-06-28 21:24:42 发布

原创

最新推荐文章于 2026-06-28 21:24:42 发布 · 737 阅读

Java与HanLP：从混乱文本中精准提取姓名与地址的工程实践

在电商、物流、客服等业务系统中，我们每天都会面对海量的非结构化文本数据。用户填写的收货地址往往五花八门，比如“广东省阳江市阳西县溪头镇下村对虾养殖场卢先生 17896431283”，或者“北京海淀区中关村大街27号张三收”。这些文本混杂了姓名、地址、电话，甚至还有备注信息，如何从中精准地提取出结构化的姓名和地址信息，是提升系统自动化水平和用户体验的关键。

传统的正则表达式或简单的字符串匹配在面对复杂多变的地址格式时往往力不从心。一个县级地名“阳西县”可能因为不在基础词典中而被错误切分，一个常见的姓氏“卢”也可能被误判为普通词汇。这时，我们需要更智能的工具——自然语言处理（NLP）。HanLP作为一款功能强大的中文NLP工具包，其内置的命名实体识别（NER）功能，为我们提供了从混乱文本中识别“人名”（nr）和“地名”（ns）等实体的能力。然而，开箱即用往往无法满足特定业务场景下的精度要求，这就需要我们结合自定义词典和业务逻辑进行深度定制。

本文将从一个Java开发者的实战视角出发，深入探讨如何利用HanLP构建一个鲁棒性强、准确率高的姓名与地址提取组件。我们将不仅关注核心API的调用，更会聚焦于解决实际工程中遇到的难题，例如生僻地名的识别、人名与普通名词的歧义消除，以及如何设计一个可维护、可扩展的解析流程。文章将提供完整的代码示例、性能优化思路和错误处理策略，旨在为面临类似挑战的开发者提供一份可直接参考的解决方案。

1. 环境搭建与HanLP核心概念解析

在开始编码之前，我们需要搭建好开发环境，并理解HanLP中与实体识别相关的几个核心概念。HanLP的设计兼顾了学术界的先进算法与工业界的落地效率，其模块化结构让我们可以按需取用。

1.1 项目依赖与初始化

首先，在一个Maven或Gradle管理的Java项目中引入HanLP依赖。建议使用最新的稳定版本，以获得更好的性能和更丰富的功能。

<dependency>
    <groupId>com.hankcs</groupId>
    <artifactId>hanlp</artifactId>
    <version>portable-1.8.4</version>
</dependency>

HanLP的“portable”版本包含了预训练好的模型和数据，开箱即用，无需额外下载大型数据包，这对于快速原型开发和部署非常友好。项目初始化后，HanLP会自动加载内置的模型。我们可以通过一个简单的测试来验证环境是否正常：

import com.hankcs.hanlp.HanLP;
import com.hankcs.hanlp.seg.common.Term;
import java.util.List;

public class HanLPQuickStart {
    public static void main(String[] args) {
        String text = "广东省阳江市阳西县溪头镇下村对虾养殖场 卢先生";
        List<Term> termList = HanLP.segment(text);
        for (Term term : termList) {
            System.out.printf("%s/%s ", term.word, term.nature);
        }
        // 输出：广东省/ns 阳江市/ns 阳西县/ns 溪头镇/ns 下村/ns 对虾/n 养殖场/n  /w 卢先生/nr
    }
}

从输出可以看到，HanLP正确地将“广东省”、“阳江市”、“溪头镇”识别为地名（ns），将“卢先生”识别为人名（nr）。但“阳西县”被正确识别了吗？这取决于你使用的模型版本和内置词典。在某些情况下，生僻的县级地名可能需要我们手动干预。

1.2 理解词性与命名实体识别

HanLP在分词（segment）的同时，会为每个词语标注词性（Part-of-Speech, POS）。词性标签是理解文本结构的基础。对于我们任务至关重要的两个标签是：

nr: 人名（Person Name）。例如：张三/nr，李四/nr，王先生/nr。
ns: 地名（Place Name）。例如：北京市/ns，长江/ns，阿里巴巴/nt（注意，“阿里巴巴”是机构名nt，不是地名）。

注意：HanLP的命名实体识别（NER）功能是集成在分词流程中的。当调用HanLP.segment(text)时，它已经运用了统计模型（如隐马尔可夫模型HMM或条件随机场CRF）来预测每个词的词性，其中就包含了nr和ns等实体标签。这意味着我们无需单独调用NER接口，分词结果已包含了实体信息。

然而，基础的统计模型依赖于训练语料。如果训练语料中“阳西县”出现频率极低，模型就可能无法将其识别为一个完整的地名，或许会错误地切分为“阳西/ns 县/k”。这时，我们就需要引入自定义词典来增强模型的识别能力。

2. 基础提取：利用标准分词与词性过滤

最直接的思路是：对输入文本进行分词和词性标注，然后过滤出所有标记为nr和ns的词语。这种方法简单快捷，适用于格式相对规范、实体边界清晰的文本。

让我们构建第一个版本的提取器：

import com.hankcs.hanlp.HanLP;
import com.hankcs.hanlp.seg.common.Term;
import java.util.ArrayList;
import java.util.List;
import java.util.stream.Collectors;

public class BasicInfoExtractor {

    /**
     * 从文本中提取所有人名。
     * @param text 输入文本
     * @return 人名列表
     */
    public static List<String> extractNames(String text) {
        List<Term> termList = HanLP.segment(text);
        return termList.stream()
                .filter(term -> "nr".equals(term.nature.toString()))
                .map(term -> term.word)
                .collect(Collectors.toList());
    }

    /**
     * 从文本中提取所有地名。
     * @param text 输入文本
     * @return 地名列表
     */
    public static List<String> extractPlaces(String text) {
        List<Term> termList = HanLP.segment(text);
        return termList.stream()
                .filter(term -> term.nature.toString().startsWith("ns"))
                .map(term -> term.word)
                .collect(Collectors.toList());
    }

    public static void main(String[] args) {
        String testText1 = "请把包裹送到北京市海淀区中关村软件园，收货人是张三丰。";
        String testText2 = "广东省阳江市阳西县溪头镇下村对虾养殖场 卢先生";

        System.out.println("测试1:");
        System.out.println("人名: " + extractNames(testText1)); // 输出: [张三丰]
        System.out.println("地名: " + extractPlaces(testText1)); // 输出: [北京市, 海淀区, 中关村软件园]

        System.out.println("\n测试2 (可能有问题):");
        System.out.println("人名: " + extract

标签