先说基础文本处理。字符串切分看起来简单，但中英文混合的场景下直接按空格split绝对要出事。推荐用OpenNLP的SimpleTokenizer或者Stanford CoreNLP的PTBTokenizer，特别是后者能智能识别英文缩略词和带标点的数字。比如处理"Dr. Zhang在2021.08买了I.B.M.股票"这种文本，传统拆分会把每个点都切开，而专业分词器能保留原始语义单元。
词性标注这块推荐Apache OpenNLP的POSTagger。训练好的模型支持40多种词性标签，初始化时需要加载bin格式的模型文件。实际使用时要注意内存管理，建议对长文本分段处理。最近遇到个坑是金融文本中的"PE"可能被标注为名词，但在语境中其实是市盈率指标，这种情况需要自定义规则补充处理。
命名实体识别方面，Stanford的NER模块识别准确率很高，支持七种实体类型。最近项目里需要识别医药领域实体，用他们的CRFClassifier在自己标注的3000条数据上微调后，F1值从0.62提升到0.89。要注意的是模型加载比较耗内存，生产环境最好做成Singleton模式。
句法分析推荐尝试Stanford Parser的依存关系分析功能。通过GrammaticalStructure接口能获取主谓宾等53种语法关系，对理解长文本结构特别有用。上周用这个功能实现了合同文档的关键条款提取，通过识别nsubj(主语)和dobj(宾语)关系链，准确率比正则匹配提升了两倍多。
情感分析现在有几种实现路径。传统做法是用Stanford CoreNLP的SentimentAnnotator，基于RNN模型对五级情感进行分类。我们在电商评论测试集上准确率约85%。更轻量的方案是调用LingPipe的DynamicLMClassifier，自带语义强度计算功能，适合需要量化情感强度的场景。
实际开发中建议用Maven统一管理这些工具包，注意版本兼容性问题。最近升级Stanford CoreNLP到4.4.0时发现部分API变更，特别是AnnotationPipeline的构造方式有调整。内存方面建议给JVM分配至少4G堆空间，处理百万级文本时启用多线程模式，我们用的ForkJoinPool并行处理速度提升了三倍左右。
最后提醒几个实践要点：首先一定要做文本清洗，我们团队写的TextSanitizer工具能有效去除特殊字符和编码错误；其次领域专有名词要准备用户词典，在医药项目中我们补充了5000个专业术语后实体识别准确率提升17%；另外可以考虑集成规则引擎Drools来处理业务特定的文本规则，比硬编码维护成本低很多。
这些方案都在实际生产环境验证过，特别适合需要高稳定性的大型Java项目。虽然调试过程比较费时，但一旦跑通后确实能扛住真实业务场景的考验。后续准备尝试结合深度学习模型，正在调研DJL框架在NLP任务上的表现，有兴趣的朋友可以一起交流。