NLP 中文分词-双向匹配算法（理论+Python实现）

article/2025/10/18 5:14:15

一、理论描述

1.中文分词的概念：
是指把没有明显分界标志的字串切分为词串，包括标点符号、数字、数学符号、各种标记、人名、地名、机构名等未登录词的识别。汉语自动分词主要包括：（1）根据分词规范，建立机器词典；（2）根据分词算法和机器词典，把字串切分为词串；（3）机器学习方法和统计方法。

2.中文分词的重要性：
汉语中词是最小的独立运用单位，分词是句法分析的基础，是所有应用系统进行的第一步，是其他中文信息处理的基础，搜索引擎、机器翻译（MT）、语音合成、自动分类、自动摘要、自动校对等等都需要用到分词。只有进行了分词，才可以继续进行下面语法分析、语义分析等。

3.中文分词算法的分类：
根据有无分词词典分为有词典分词和无词典分词。根据使用的知识资源不同分为基于规则和基于统计的方法，以及两者结合的方法。
（1）基于规则的分词算法：事先人工建立好分词词典和分词规则库。原理为基于字符串匹配进行分词，要求有足够大的词表为依据。通过一定的算法来实现，如正向最大匹配法、 逆向最大匹配法、双向匹配法等。当分词词典所收容的词较少时分词的正确率低。
（2）基于统计的分词方法：把字与字间、词与词间的同现频率作为分词的依据， 可以没有建立好的词典；需要大规模的训练文本, 用来训练模型参数。优点是不受应用领域的限制，缺点是训练文本的选择将影响分词结果。

二、算法描述

本文实现双向匹配算法，具体算法描述如下：

1.正向最大匹配：
设MaxLen表示最大词长，D为分词词典。
Step1:从待切分语料中按正向取长度为MaxLen的字串str,令 Len=MaxLen;
Step2:把str与D中的词相匹配;
Step3:若匹配成功，则认为该字串为词，指向待切分语料的指针向后移Len个汉字，返回到Step1;
Step4:若不成功：如果Len>1，则将Len减1，从待切分语料中取长度为Len的字串str,返回到Step2。否则，得到长度为1的单字词，指向待切分语料的指针向前移1个汉字，返回Step1。
采用正向最大匹配得到切分结果1。

2.逆向最大匹配法：
设MaxLen表示最大词长，D为分词词典。
Step1:从待切分语料中按逆向取长度为MaxLen的字串str,令 Len=MaxLen;
Step2:把str与D中的词相匹配;
Step3:若匹配成功，则认为该字串为词，指向待切分语料的指针向前移Len个汉字，返回到Step1;
Step4:若不成功：如果Len>1，则将Len减1，从待切分语料中取长度为Len的字串str,返回到Step2。否则，得到长度为1的单字词，指向待切分语料的指针向前移1个汉字，返回Step1。
采用逆向最大匹配得到切分结果2。

3.双向匹配：
如果两个切分结果相同，则认为切分成功，否则认为有疑点。针对疑点，有两种处理策略：
（1）采用上下文信息，根据歧义规则库进行排歧；
（2）进行人工干预，选取一种切分为正确的切分。

三、详例描述

以“对外经济技术合作与交流不断扩大。”为例，详细描述算法如下：

（1）正向最大匹配：
初始化：MaxLen=3，pos=0，ResultStr=“”
Step1:Len=MaxLen=3，取str=“对外经”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“对外”；
str与D中的词匹配成功,ResultStr=“对外/”,pos=pos+Len=2
Step2:Len=MaxLen=3，取str=“经济技”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“经济”；
str与D中的词匹配成功,ResultStr=“对外/经济/”,pos=pos+Len=4
Step3:Len=MaxLen=3，取str=“技术合”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“技术”；
str与D中的词匹配成功,ResultStr=“对外/经济/技术/”,pos=pos+Len=6
Step4:Len=MaxLen=3，取str=“合作与”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“合作”；
str与D中的词匹配成功,
ResultStr=“对外/经济/技术/合作/”,pos=pos+Len=8;
Step5:Len=MaxLen=3，取str=“与交流”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“与交”；
str与D中的词匹配不成功,Len=Len-1=1，取str=“与”；
Len=1，单字直接作为一个词加入结果,
ResultStr=“对外/经济/技术/合作/与/”,pos=pos+Len=9;
Step6:Len=MaxLen=3，取str=“交流不”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“交流”；
str与D中的词匹配成功,
ResultStr=“对外/经济/技术/合作/与/交流/”,pos=pos+Len=11;
Step7:Len=MaxLen=3，取str=“不断扩”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“不断”；
str与D中的词匹配成功,
ResultStr=“对外/经济/技术/合作/与/交流/不断/”,pos=pos+Len=13;
Step8:Len=MaxLen=3，取str=“扩大。”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“扩大”；
str与D中的词匹配成功, ResultStr=“对外/经济/技术/合作/与/交流/不断/扩大/”,pos=pos+Len=15;
Step9:取str=“。”；
Len==1，单字直接作为一个词加入结果, ResultStr=“对外/经济/技术/合作/与/交流/不断/扩大/。/”

（2）负向最大匹配：
初始化：MaxLen=3，pos=15，ResultStr=“”
Step1:Len=MaxLen=3，取str=“扩大。”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“大。”；
str与D中的词匹配不成功,Len=Len-1=1，取str=“。”；
Len=1，单字直接作为一个词加入结果,
ResultStr=“/。”,pos=pos-Len=14
Step2:Len=MaxLen=3，取str=“断扩大”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“扩大”；
str与D中的词匹配成功,ResultStr=“/扩大/。”,pos=pos-Len=12
Step3:Len=MaxLen=3，取str=“流不断”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“不断”；
str与D中的词匹配成功,ResultStr=“/不断/扩大/。”,pos=pos-Len=10
Step4:Len=MaxLen=3，取str=“与交流”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“交流”；
str与D中的词匹配成功,
ResultStr=“/交流/不断/扩大/。”,pos=pos-Len=8;
Step5:Len=MaxLen=3，取str=“合作与”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“作与”；
str与D中的词匹配不成功,Len=Len-1=1，取str=“与”；
Len==1，单字直接作为一个词加入结果,
ResultStr=“/与/交流/不断/扩大/。”,pos=pos-Len=8;
Step6:Len=MaxLen=3，取str=“术合作”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“合作”；
str与D中的词匹配成功,
ResultStr=“/合作/与/交流/不断/扩大/。”,pos=pos-Len=6;
Step7:Len=MaxLen=3，取str=“济技术”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“技术”；
str与D中的词匹配成功,
ResultStr=“/技术/合作/与/交流/不断/扩大/。”,pos=pos-Len=4;
Step8:Len=MaxLen=3，取str=“外经济”；
str与D中的词匹配不成功,Len=Len-1=2，取str=“经济”；
str与D中的词匹配成功, ResultStr=“/经济/技术/合作/与/交流/不断/扩大/。”,pos=pos-Len=2;
Step9:取str=“对外”；
str与D中的词匹配成功,ResultStr=“/对外/经济/技术/合作/与/交流/不断/扩大/。”

（3）比较两次匹配的结果：两个切分结果相同，切分成功，最终的结果为：
“/对外/经济/技术/合作/与/交流/不断/扩大/。”

四、Python代码实现：

import time
import reclass Segment:# 数据成员sentence = ""MaxLen = 0pos = 0len = 0result_MM = ""  # 存放MM分词结果result_RMM = ""  # 存放RMM分词结果final_res = ""dict = []# 构造函数def __init__(self, sentence, MaxLen):self.sentence = sentenceself.MaxLen = MaxLenself.pos = 0self.len = self.MaxLenself.result_MM = ""self.readDict()# 读字典def readDict(self):f = open("chineseDic.txt", "r", encoding="utf-8")lines = f.readlines()for line in lines:# print(line)words = line.split(",")self.dict.append(words[0])# 正向最大匹配def MM(self, nLen, nPos):length = len(self.sentence)if (nPos > length):returnsubstr = self.sentence[nPos:nPos + nLen]if substr in self.dict:self.result_MM = self.result_MM + substr + "/ "nPos = nPos + nLennLen = self.MaxLenself.MM(nLen, nPos)elif nLen > 1:nLen = nLen - 1self.MM(nLen, nPos)else:self.result_MM = self.result_MM + substr + "/ "nPos = nPos + 1nLen = self.MaxLenself.MM(nLen, nPos)# 逆向最大匹配def RMM(self, nLen, nPos):if (nPos < 0):returnsubstr = self.sentence[nPos - nLen:nPos]if substr in self.dict:self.result_RMM = self.result_RMM + "/" + substrnPos = nPos - nLennLen = self.MaxLenself.RMM(nLen, nPos)elif nLen > 1:nLen = nLen - 1self.RMM(nLen, nPos)else:self.result_RMM = self.result_RMM + substr + "/"nPos = nPos - 1nLen = self.MaxLenself.RMM(nLen, nPos)def getMMResult(self):return self.result_MMdef getRMMResult(self):return self.result_RMMdef getFinalResult(self):return self.final_resdef printFinalResult(self):print("正向最大匹配结果：")seg_res_MM = self.result_MM.replace(" ", "")print(seg_res_MM)seg_list_MM = seg_res_MM.split('/')del seg_list_MM[-1]  # 由于按照'/'分割，所以最后会多出一个''，删去print(seg_list_MM)print("逆向最大匹配结果：")seg_res_RMM = self.result_RMM.replace(" ", "")print(seg_res_RMM)seg_list_RMM = list(reversed(seg_res_RMM.split('/')))del seg_list_RMM[0]del seg_list_RMM[-1]print(seg_list_RMM)len_MM = len(seg_list_MM)len_RMM = len(seg_list_RMM)flag = 1for i in range(0, min(len_MM, len_RMM)):if seg_list_MM[i] != seg_list_RMM[i]:print("两次分词结果不一致。")flag = 0breakif (flag):print("两次分词结果一致。")print("最终的分词结果为：")self.final_res = self.result_MMprint(self.final_res)def to_region(segmentation):region = []start = 1for word in re.compile("\\s+").split(segmentation.strip()):  # 空格，回车，换行等空白符end = start + len(word) - 2region.append((start, end))start = end + 1return regiondef PRF(target, pred):t_set, p_set = set(target), set(pred)target_num = len(t_set)pred_num = len(p_set)cap_num = len(t_set & p_set)p = cap_num / pred_numr = cap_num / target_numf = 2 * p * r / (p + r)print("P =", p)print("R =", r)print("F1 =", f)if __name__ == '__main__':test_str = '在这一年中，中国的改革开放和现代化建设继续向前迈进。国民经济保持了“高增长、低通胀”的良好发展态势。农业生产再次获得好的收成，企业改革继续深化，人民生活进一步改善。对外经济技术合作与交流不断扩大。'seg = Segment(test_str, 3)time_start = time.time()seg.MM(3, 0)seg.RMM(3, len(test_str))time_end = time.time()seg.printFinalResult()print('分词时间：', time_end - time_start, 's')target_str = "在/  这/  一/  年/  中/  ，/  中国/  的/  改革/  开放/  和/  现代化/  建设/  继续/  向前/  迈进/  。/  国民经济/  保持/  了/  “/  高/  增长/  、/  低/  通胀/  ”/  的/  良好/  发展/  态势/  。/  农业/  生产/  再次/  获得/  好/  的/  收成/  ，/  企业/  改革/  继续/  深化/  ，/  人民/  生活/  进一步/  改善/  。/  对外/  经济/  技术/  合作/  与/  交流/  不断/  扩大/  。/"re_pred = to_region(seg.getFinalResult())re_target = to_region(target_str)# 每个单词按它在文本中的起止位置可记作区间[i, j]print("分词结果：", re_pred)print("标准答案：", re_target)PRF(re_target, re_pred)

五、结果展示：

（1）实验截图：
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
（2）正向最大匹配结果：

在/这/一/年中/，/中国/的/改革/开放/和/现代化/建设/继续/向前/迈进/。/国民/经济/保持/了/“/高/增长/、/低/通胀/”/的/良好/发展/态势/。/农业/生产/再次/获得/好/的/收成/，/企业/改革/继续/深化/，/人民/生活/进一步/改善/。/对外/经济/技术/合作/与/交流/不断/扩大/。/

转化为列表为：[‘在’, ‘这’, ‘一’, ‘年中’, ‘，’, ‘中国’, ‘的’, ‘改革’, ‘开放’, ‘和’, ‘现代化’, ‘建设’, ‘继续’, ‘向前’, ‘迈进’, ‘。’, ‘国民’, ‘经济’, ‘保持’, ‘了’, ‘“’, ‘高’, ‘增长’, ‘、’, ‘低’, ‘通胀’, ‘”’, ‘的’, ‘良好’, ‘发展’, ‘态势’, ‘。’, ‘农业’, ‘生产’, ‘再次’, ‘获得’, ‘好’, ‘的’, ‘收成’, ‘，’, ‘企业’, ‘改革’, ‘继续’, ‘深化’, ‘，’, ‘人民’, ‘生活’, ‘进一步’, ‘改善’, ‘。’, ‘对外’, ‘经济’, ‘技术’, ‘合作’, ‘与’, ‘交流’, ‘不断’, ‘扩大’, ‘。’]

（3）逆向最大匹配结果：

/。/扩大/不断/交流/与/合作/技术/经济/对外/。/改善/进一步/生活/人民/，/深化/继续/改革/企业/，/收成/的/好/获得/再次/生产/农业/。/态势/发展/良好/的/”/通胀/低/、/增长/高/“/了/保持/经济/国民/。/迈进/向前/继续/建设/现代化/和/开放/改革/的/中国/，/年中/一/这/在/

转化为列表，并且调整顺序后：[‘在’, ‘这’, ‘一’, ‘年中’, ‘，’, ‘中国’, ‘的’, ‘改革’, ‘开放’, ‘和’, ‘现代化’, ‘建设’, ‘继续’, ‘向前’, ‘迈进’, ‘。’, ‘国民’, ‘经济’, ‘保持’, ‘了’, ‘“’, ‘高’, ‘增长’, ‘、’, ‘低’, ‘通胀’, ‘”’, ‘的’, ‘良好’, ‘发展’, ‘态势’, ‘。’, ‘农业’, ‘生产’, ‘再次’, ‘获得’, ‘好’, ‘的’, ‘收成’, ‘，’, ‘企业’, ‘改革’, ‘继续’, ‘深化’, ‘，’, ‘人民’, ‘生活’, ‘进一步’, ‘改善’, ‘。’, ‘对外’, ‘经济’, ‘技术’, ‘合作’, ‘与’, ‘交流’, ‘不断’, ‘扩大’, ‘。’]

（4）由以上结果可以看出，两次分词结果一致。最终的分词结果如下：

在/这/一/年中/，/中国/的/改革/开放/和/现代化/建设/继续/向前/迈进/。/国民/经济/保持/了/“/高/增长/、/低/通胀/”/的/良好/发展/态势/。/农业/生产/再次/获得/好/的/收成/，/企业/改革/继续/深化/，/人民/生活/进一步/改善/。/对外/经济/技术/合作/与/交流/不断/扩大/。/

（5）分词时间： 0.20544934272766113 s

（6）评测指标：
分词结果：
[(1, 1), (2, 2), (3, 3), (4, 5), (6, 6), (7, 8), (9, 9), (10, 11), (12, 13), (14, 14), (15, 17), (18, 19), (20, 21), (22, 23), (24, 25), (26, 26), (27, 28), (29, 30), (31, 32), (33, 33), (34, 34), (35, 35), (36, 37), (38, 38), (39, 39), (40, 41), (42, 42), (43, 43), (44, 45), (46, 47), (48, 49), (50, 50), (51, 52), (53, 54), (55, 56), (57, 58), (59, 59), (60, 60), (61, 62), (63, 63), (64, 65), (66, 67), (68, 69), (70, 71), (72, 72), (73, 74), (75, 76), (77, 79), (80, 81), (82, 82), (83, 84), (85, 86), (87, 88), (89, 90), (91, 91), (92, 93), (94, 95), (96, 97), (98, 98)]
标准答案：
[(1, 1), (2, 2), (3, 3), (4, 4), (5, 5), (6, 6), (7, 8), (9, 9), (10, 11), (12, 13), (14, 14), (15, 17), (18, 19), (20, 21), (22, 23), (24, 25), (26, 26), (27, 30), (31, 32), (33, 33), (34, 34), (35, 35), (36, 37), (38, 38), (39, 39), (40, 41), (42, 42), (43, 43), (44, 45), (46, 47), (48, 49), (50, 50), (51, 52), (53, 54), (55, 56), (57, 58), (59, 59), (60, 60), (61, 62), (63, 63), (64, 65), (66, 67), (68, 69), (70, 71), (72, 72), (73, 74), (75, 76), (77, 79), (80, 81), (82, 82), (83, 84), (85, 86), (87, 88), (89, 90), (91, 91), (92, 93), (94, 95), (96, 97), (98, 98)]
**正确率：**P = 0.9491525423728814
**召回率：**R = 0.9491525423728814
**F-度量值：**F1 = 0.9491525423728814

五、总结反思：

（1）在编写逆向匹配的代码时，由于在分词时是从后向前的，所以最终得到的分词结果中词的顺序会颠倒，不便于最终两个分词结果的比较。我采取的方式是用python中的split(‘/’)将分词结果拆分成由词语构成的字符串数组，然后调整逆向匹配的数组元素的顺序，之后再一一比较，看两次的分词结果是否相同。
（2）在计算评测指标的值的时候，需要统计分词结果的词数、标准答案中的词数以及两者交集的次数，我采取的方式是对于分词结果和标准答案中每个词按它在文本中的起止位置记作区间[i, j]，利用python中的元组进行表示，然后再利用集合set得到两者的交集。


http://chatgpt.dhexx.cn/article/RtiV9bRZ.shtml

相关文章

NLP ---分词详解（常见的五种分词技术二）

NLP ---分词详解（常见的五种分词技术二）

上一篇我们讲了N一最短路径方法、基于词的n元文法模型&#xff0c;本节将主要介绍由字构词方法、基于词感知机算法的汉语分词方法、基于字的生成模型和区分式模型相结合的汉语分词方法&#xff0c;下面我们就开始讲解由字构词的方法&#xff1a; 由字构词方法 由字构词方法的…
阅读更多...
常用分词算法总结（字典、统计、神经网络）

常用分词算法总结（字典、统计、神经网络）

本文转载自公众号“夕小瑶的卖萌屋”&#xff0c;专业带逛互联网算法圈的神操作 -----》我是传送门 关注后&#xff0c;回复以下口令&#xff1a; 回复【789】 &#xff1a;领取深度学习全栈手册&#xff08;含NLP、CV海量综述、必刷论文解读&#xff09; 回复【入群】&#xf…
阅读更多...
分词算法----正向和逆向最大匹配算法(含Python代码实现)

分词算法----正向和逆向最大匹配算法(含Python代码实现)

文章目录 分词算法(Segmentation Method)最大匹配算法(Maximum Matching)需要的前提正向最大匹配算法(Forwards Maximum Match&#xff0c;FMM)逆向最大匹配算法(Reverse Maximum Match&#xff0c;RMM)双向最大匹配算法小结 分词算法(Segmentation Method) 在文本处理流程中&…
阅读更多...
自然语言处理——分词算法

自然语言处理——分词算法

引言 分词是自然语言处理中的基本操作&#xff0c;今天我们就来看一下常用的分词算法及实现。 最大匹配算法 所谓的最大匹配指的是匹配最长的单词&#xff0c;通常会指定一个最大长度。根据搜索顺序的不同&#xff0c;主要有前向最大匹配算法、后向最大匹配算法、双向匹配算…
阅读更多...
分词算法介绍——千里之行，始于足下

分词算法介绍——千里之行，始于足下

NLP&#xff08;自然语言处理&#xff09;&#xff0c;对于它来说&#xff0c;如何有效地编码一段文本&#xff0c;是它首先要考虑的问题。而在编码文本之前&#xff0c;要先把它切割成小块&#xff0c;这些小块叫做 tokens&#xff0c;这个过程叫做分词&#xff08;tokenizati…
阅读更多...
C#分词算法

C#分词算法

C#分词算法 分词算法的正向和逆向非常简单&#xff0c;设计思路可以参考这里: 中文分词入门之最大匹配法 我爱自然语言处理 http://www.52nlp.cn/maximum-matching-method-of-chinese-word-segmentation 正向最大匹配&#xff0c;简单来说&#xff0c;就是分词的时候&#xf…
阅读更多...
windows10家庭版打开组策略

windows10家庭版打开组策略

目录 一、新建文本文件&#xff0c;输入以下内容二、鼠标右键单击&#xff0c;以管理员身份运行三、验证 windows10家庭版默认没有放开组策略&#xff0c;可以通过以下方法添加。 一、新建文本文件&#xff0c;输入以下内容 echo offpushd "%~dp0"dir /b C:\Window…
阅读更多...
【Windows】Win10家庭版启用组策略gpedit.msc

【Windows】Win10家庭版启用组策略gpedit.msc

转载请注明出处&#xff0c;原文链接&#xff1a;https://blog.csdn.net/u013642500/article/details/80138799 【前言】 大家都认为&#xff0c;Windows 10家庭版中并不包含组策略&#xff0c;其实不然&#xff0c;它是有相关文件的&#xff0c;只是不让你使用而已。那么我们让…
阅读更多...
win10（家庭版）打开本地组策略失败的处理方法

win10（家庭版）打开本地组策略失败的处理方法

win10&#xff08;家庭版&#xff09;打开本地组策略失败的处理方法 1 新建TXT文件 将下列代码复制粘贴到txt中&#xff1a; echo off pushd “%~dp0” dir /b C:\Windows\servicing\Packages\Microsoft-Windows-GroupPolicy-ClientExtensions-Package~3*.mum >List.txt…
阅读更多...
win10找不到组策略，解决方法

win10找不到组策略，解决方法

win10找不到组策略&#xff0c;可以用以下办法开启权限&#xff1a; 1.winr 唤出运行&#xff0c;输入notepad创建记事本&#xff1b; 2.输入以下代码并另存为gpedit.bat&#xff1b; echo offpushd "%~dp0"dir /b %systemroot%\Windows\servicing\Packages\Micros…
阅读更多...
如何停止Monkey测试

如何停止Monkey测试

当我们运行Monkey测试时&#xff0c;命令发出之后&#xff0c;手机便开始执行monkey命令了。Monkey命令具体用法如下图所示&#xff1a; 网上大部分人认为monkey开始测试之后&#xff0c;就不能停止&#xff0c;除非时间数执行完成&#xff0c;或者在cmd窗口执行adb reboot来进…
阅读更多...
Android的monkey测试

Android的monkey测试

Android SDK中的android调试桥&#xff08;adb&#xff09;shell里&#xff0c;有一个用于测试的工具——monkey。不知道最早monkey这个名字的来历&#xff0c;不过他确实如同一只调皮的猴子&#xff0c;在android app里各种乱按、乱晃、乱摸。 如何使用&#xff1a;进入命令行…
阅读更多...
android测试-monkey测试

android测试-monkey测试

文章目录 前言一、为什么Monkey测试二、什么是Monkey测试三、如何做monkey测试 前言 Monkey 测试是通过向系统发送伪随机的用户事件流&#xff08;如按键输入、触摸屏输入、手势输入等&#xff09;&#xff0c;实现对应用程序客户端的稳定性测试&#xff1b; 通俗来说&#xf…
阅读更多...
Monkey测试工具使用

Monkey测试工具使用

目录 1.monkey测试原理 2.Monkey启动架构图 3.Monkey为什么是Android测试工具原理解析 4.Monkey命令 5.Monkey日志分析 1.monkey测试原理 monkey是向系统发送一系列的伪随机的用户事件流&#xff0c;这些事件流包括&#xff1a;按键输入、触摸屏输入、手势输入。实现对应用程…
阅读更多...
Android Monkey测试入门：安装sdk、studio、模拟器，并分析monkey日志

Android Monkey测试入门：安装sdk、studio、模拟器，并分析monkey日志

Android Monkey测试入门&#xff1a;安装sdk、studio、模拟器&#xff0c;并分析monkey测试报告结果 1. 安装Java JDK和android SDK2. 安装Andriod studio及模拟器3. 在模拟器上运行monkey测试3.1 手动植入简单缺陷 4. 分析monkey报告结果信息4.1 标准流4.2 错误流 5. 导出ANR文…
阅读更多...
python+monkey实现app的monkey测试

python+monkey实现app的monkey测试

目标&#xff1a; 使用monkey对当前windows电脑连接的一个或者多个手机设备&#xff0c;完成对某个app的monkey测试&#xff0c;输出monkey日志以及monkey脚本。思路&#xff1a; 通过terminal交互控制台&#xff0c;获取测试的app以及可以测试的设备。将获取的参数和固定的mo…
阅读更多...
最全的monkey测试过程及分析

最全的monkey测试过程及分析

一、首先第一步安装Android SDK&#xff0c;完成后。编写测试脚本&#xff0c;我的脚本已经编写好。具体大家可以从网上Google针对自己的情况再进行详细的编改。 ECHO OFFECHO.:::::::::::::::::::::::::::::::::::::::::::::::::ECHO.:: 分析Monkey日志 …
阅读更多...
【monkey】monkey测试入门

【monkey】monkey测试入门

目录 一、安装 二、真机或者模拟器 三、基本命令 &#xff08;一&#xff09;基础参数 &#xff08;二&#xff09;调试选项 四、 停止命令 五、测试结果分析 &#xff08;一&#xff09; 初步分析方法 &#xff08;二&#xff09;一般的测试结果分析&#xff1a; 一、…
阅读更多...
Monkey测试个人笔记

Monkey测试个人笔记

安卓monkey简介 Monkey是一款安卓自带的、java编写的app自动化测试工具&#xff0c;monkey是猴子的意思&#xff0c;所以从原理上说&#xff0c;它的自动化测试就类似猴子一样在软件上乱敲按键&#xff0c;猴子什么都不懂&#xff0c;就爱捣乱。Monkey原理也是类似&#xff0c;…
阅读更多...
monkey测试工具

monkey测试工具

Monkey的概念&#xff1a; “猴子测试”是指没有测试经验的人甚至对计算机根本不了解的人&#xff08;就像猴子一样&#xff09;不需要知道程序的任何用户交互方面的知识&#xff0c;如果给他一个程序&#xff0c;他就会针对他看到的界面进行操作&#xff0c;其操作是无目的的…
阅读更多...
推荐文章

Copyright @ 2022~2023