庖丁系统的分词原理

庖丁系统是个完全基于lucene的中文分词系统，因而它就是重新了一个analyer，
叫做PaodingAnalyzer，这个analyer的核心任务就是生成一个可以切词的TokenStream
这些都是lucene的结构设计，如果要和lucene一起使用就要这么写。
    庖丁系统中的TokenStream就是PaodingTokenizer，它提供了我们用于分词的核心方法
next，它每次调用的时候返回切好的一个词。它采用了一个迭代器来进行的缓存，因而它不
是每次调用都会去拿出一堆刀来进行切词，它一般会一次切一堆然后将它保存下来，然后等
取完了再切第二次。
    切词的时候它是直接调用了knifebox的dissect方法来进行切词的
    knifebox是个刀盒子，它有一个刀的数组，它的dissect方法会调用刀的assignable方法
来决定是否可以用这个刀来切，如果用一个刀切了，但是没有切出任何词，即刀返回的最后切词的位置
与开始位置一样则换下把刀切，如果切出了词，那么就直接返回最后切的位置，再不换刀切了，同时等
待下一次切词。
    在这个系统中还有paoding和SmartKnifeBox两个子类他们都是继承knifebox，但是它们只是
做了一些简单的检查工作，主要工作还是由这个基类来完成。

 

分词策略的问题，我们在代码中看见庖丁系统的分词，它在分词的时候尽量
将多的词语分出来，但是在PaodingAnalyzer发现它是有两种mode，一种是MOST_WORDS_MODE，
一种是MAX_WORD_LENGTH_MODE，从字面上就可以看出它们的策略，前者是表示尽可
能多的分词，即“华中科技大学”直接分为“华中/华中科技/华中科技大学/科技/大学/”，在CJKKnife中
当它遇到“华中”的时候就会开始collect,然后它将移动结尾，在分出“华中科技”和“华中科技大学”,这样
“华”开头的就切完了，然后它将跳出小循环，进入下一轮大循环，移动开头位置，即“中”字，继续采用
这个策略来切词，这样可以分出像上面那么多的词来，而这种方式用在索引的时候最好，可以保证索引中有
尽可能多的关键词，这样找到的机会就大些。如果采用后一种mode，它将直接将上面分出的“华中/华中科技
/华中科技大学/科技/大学/”只将最长的一个collect了，而前者会将它们全部collect。

 

前一节简单的提到了分词时候的两种策略，这两种策略的实现实际上是采用使用不同
的collect来实现的，MostWordsTokenCollector对应于最多词策略，MaxWordLengthTokenCollector
对应于最长词的策略。在最长词策略中，它是采用将前词分解的词先不要记录下来（保存在list中）
而是将它作为候选，如果后面的词与它有一样的开头并且比它长，就替换它，如果和它有一样头的所有
词都没有它长则将它记录下来（加入List中）。
   至于这个mode策略的选择，它是在PaodingAnalyzerBean中进行的，它在PaodingAnalyzer的init
函数中调用了父类PaodingAnalyzerBean中的setmode方法设置mode,同时它产生了一个相应的classtype,最后
根据这个classtype来通过反射生成一个collect传入PaodingTokenizer，供它使用。