company-name-parser

中文公司名称解析工具（Java 版），从 Python 项目 companynameparser 移植而来。支持提取公司名称中的地名、品牌名、行业词、公司后缀等元素。

功能特性

对公司名文本进行解析，识别并提取以下元素：

元素	说明	示例
place	地名	武汉、泉州、常州,合肥
brand	品牌名（主词）	海明智业、益念、途畅
trade	行业词	电子商务、食品、互联网科技
suffix	公司后缀	有限公司、股份有限公司,分公司
symbol	标点符号	《》() 等

环境要求

• Java 1.8+
• Maven 3.x

项目依赖

• jieba-analysis 1.0.2 — 结巴分词 Java 版
• JUnit 4.11 — 单元测试

快速开始

构建项目

git clone https://github.com/your-username/company-name-parser.git
cd company-name-parser
mvn clean package

作为依赖引入

在 pom.xml 中添加：

<dependency>
    <groupId>com.darkmi</groupId>
    <artifactId>company-name-parser</artifactId>
    <version>1.0-SNAPSHOT</version>
</dependency>

API 使用

基本用法

import com.darkmi.parser.CompanyNameParser;
import com.darkmi.parser.CompanyName;

CompanyNameParser parser = new CompanyNameParser();

String[] names = {
    "武汉海明智业电子商务有限公司",
    "泉州益念食品有限公司",
    "常州途畅互联网科技有限公司合肥分公司",
    "昆明享亚教育信息咨询有限公司",
};

for (String name : names) {
    CompanyName result = parser.parse(name);
    System.out.println(result);
}

输出：

CompanyName{place='武汉', brand='海明智业', trade='电子商务', suffix='有限公司', symbol=''}
CompanyName{place='泉州', brand='益念', trade='食品', suffix='有限公司', symbol=''}
CompanyName{place='常州,合肥', brand='途畅', trade='互联网科技', suffix='有限公司,分公司', symbol=''}
CompanyName{place='昆明', brand='享亚', trade='教育信息咨询', suffix='有限公司', symbol=''}

获取位置信息

通过 posSensitive 参数获取各元素在原始字符串中的位置：

CompanyName result = parser.parse("武汉海明智业电子商务有限公司", true, false);

// 获取带位置信息的 Token 列表
result.getPlaceTokens();   // [Token{word='武汉', start=0, end=2}]
result.getBrandTokens();   // [Token{word='海明智业', start=2, end=6}]
result.getTradeTokens();   // [Token{word='电子商务', start=6, end=10}]
result.getSuffixTokens();  // [Token{word='有限公司', start=10, end=14}]

启用分词模式

通过 enableWordSegment 参数对行业词等进行细粒度分词：

CompanyName result = parser.parse("常州途畅互联网科技有限公司合肥分公司", false, true);

// 行业词会被拆分为更细的词
result.getTrade();   // "互联网,科技"
result.getSuffix();  // "有限公司,分公司"

方法签名

// 默认解析，返回逗号分隔的字符串结果
CompanyName parse(String name);

// 完整参数
CompanyName parse(String name, boolean posSensitive, boolean enableWordSegment);

参数说明：

参数	类型	默认值	说明
name	String	—	待解析的公司名称
posSensitive	boolean	false	true 返回带位置信息的 Token 列表，false 返回逗号分隔的字符串
enableWordSegment	boolean	false	true 对行业词等进行细粒度分词

CompanyName 字段

字段	类型（默认模式）	类型（posSensitive 模式）
place	String	List<Token>
brand	String	List<Token>
trade	String	List<Token>
suffix	String	List<Token>
symbol	String	List<Token>

数据字典

项目使用以下词典文件（位于 src/main/resources/data/）：

文件	说明
china_place.txt	中国地名词典
place_single.txt	单字地名辅助词典
brand.txt	品牌名词典
trade.txt	行业词词典
trade_single.txt	单字行业词辅助词典
suffix.txt	公司后缀词典
suffix_single.txt	单字后缀辅助词典

算法流程

1. 分词 — 使用 jieba-analysis 对公司名进行索引模式分词
2. 词典匹配 — 依次从分词结果中提取地名、后缀、行业词、品牌名
3. 后处理 — 对未匹配的词进行智能归类（根据单字词典判断归属）
4. 合并 — 将相邻的同类词合并（如"常"+"州" → "常州"）

命令行使用

构建后可直接运行：

java -jar target/company-name-parser-1.0-SNAPSHOT.jar

与 Python 版本的差异

特性	Python 版	Java 版
分词引擎	jieba	jieba-analysis (Java)
自定义词典	支持 (set_custom_split_file)	待实现
命令行批量处理	支持	待实现
评估脚本	支持	待实现

项目结构

company-name-parser/
├── pom.xml                          # Maven 构建配置
├── src/
│   ├── main/
│   │   ├── java/com/darkmi/parser/
│   │   │   ├── CompanyNameParser.java  # 核心解析器
│   │   │   ├── CompanyName.java        # 解析结果实体
│   │   │   └── Token.java              # 带位置信息的词单元
│   │   └── resources/data/
│   │       ├── china_place.txt         # 地名词典
│   │       ├── brand.txt               # 品牌词典
│   │       ├── trade.txt               # 行业词典
│   │       ├── suffix.txt              # 后缀词典
│   │       └── ...                     # 辅助词典
│   └── test/
│       └── java/com/darkmi/
│           └── AppTest.java
├── reference/                           # Python 原始项目参考
└── LICENSE

Todo

• 支持自定义分词词典
• 支持命令行批量处理
• 补充单元测试
• 发布到 Maven Central

License

Apache License 2.0 — 与原 Python 项目保持一致。

致谢

• 原 Python 项目：companynameparser by shibing624
• 分词引擎：jieba-analysis