《JAVA篇》-- IK分词器

简介

java大概有11个大的开源分词器，分别是：

1.word分词器
2.Ansj分词器
3.Stanford分词器
4.FudanNLP分词器
5.Jieba分词器
6.Jcseg分词器
7.MMSeg4j分词器
8.IKAnalyzer分词器（本文要说的）
9.Paoding分词器
10.smartcn分词器
11.HanLP分词器

这里只简单说一下IKAnalyzer的使用和简单的原理，其他分词器在以后用上的时候在写文章进行详细介绍。

Ikanalyzer在Maven项目中的应用

首先pom，这里说一点，如果有什么依赖需要找的，可以去Maven官网进行下载；

        <!-- https://mvnrepository.com/artifact/com.janeluo/ikanalyzer -->
        <dependency>
            <groupId>com.janeluo</groupId>
            <artifactId>ikanalyzer</artifactId>
            <version>2012_u6</version>
        </dependency>

原生态的Ikanalyzer是apache提供的，这里是调用了一个第三方的封装依赖，提供了更为丰富的一些其他的功能，具体可以到Maven官网看介绍。
代码实例：

import java.io.StringReader;

import org.wltea.analyzer.cfg.DefaultConfig;
import org.wltea.analyzer.core.IKSegmenter;
import org.wltea.analyzer.core.Lexeme;
import org.wltea.analyzer.cfg.Configuration;

/**
 * 测试 IK Analyzer 分词架构中的独立使用分词方法 IK Segmenter
 * 需要加载 IKAnalyzer2012_u6.jar
 * @author zsoft
 */
public class IKSegmenterTest {

    private static Configuration m_wordCut_cfg;


    public String parse(String content, boolean useSmart) throws Exception{
        StringReader sr = new StringReader(content);
        // 参数2为是否使用智能分词
        // true：使用智能分词
        // false：使用最细粒度分词
        IKSegmenter ikSegmenter = new IKSegmenter(sr, useSmart);
        Lexeme word = null;
        String w = null;
        StringBuffer sb = new StringBuffer();
        while((word = ikSegmenter.next()) != null){
            w = word.getLexemeText();
//            int nTtype = word.getLexemeType();
//            if (nTtype == 64) continue;
            if(sb.length() > 0){
                sb.append("|");
            }
            sb.append(w);
        }
        return sb.toString();
    }

    public static void main(String[] args) {
        m_wordCut_cfg = DefaultConfig.getInstance();
        System.out.println(m_wordCut_cfg.getQuantifierDicionary());

        String text = "网红徐如林穿着连衣裙来北京了";

        try {
            IKSegmenterTest ikSegmenterTest = new IKSegmenterTest();
            String strs = ikSegmenterTest.parse(text,true);

            System.out.println("使用智能分词结果："+strs);

            strs = ikSegmenterTest.parse(text, false);

            System.out.println("最细粒度分词结果："+strs);
        } catch (Exception e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
    }
}

进阶补充，自定义字典

需要创建IKAnalyzer.cfg.xml，和自定义ext.dic字典，如果我们看IKAnalyzer提供给我们的原生字典的话，就会知道，他们分词的依据也来自于大量的字典词汇，而我们要实现自定义扩充字典，也就需要IKAnalyzer.cfg.xml配置文件将我们自定义的字典进行读取。
代码实例：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
    <comment>IK Analyzer 扩展配置</comment>
    <!--用户可以在这里配置自己的扩展字典 -->
    <entry key="ext_dict">ext.dic;</entry>

    <!--用户可以在这里配置自己的扩展停止词字典 -->
<!--    <entry key="ext_stopwords">stopword.dic;org/wltea/analyzer/dic/main2012.dic;</entry>-->
</properties>

字典信息：

网红
徐如林
不动如山

这样的话，一些人名之类的词汇，也会被分出来，输出结果为：

org/wltea/analyzer/dic/quantifier.dic
加载扩展词典：ext.dic
使用智能分词结果：网红|徐如林|穿着|连衣裙|来|北京|了
最细粒度分词结果：网红|徐如林|如林|穿着|连衣裙|衣裙|来|北京|了

最后补充一下我项目的目录结构

参考文献

11大Java开源中文分词器的使用方法和分词效果对比
如果需要使用其他分词器，可以参考这篇博客。