1、比较好的JAVA写的JE分词http://jesoft.cn:9080/je-analysis-1.5.3.jar,官网http://www.jesoft.cn/
2、提供相关的API
//采用正向最大匹配的中文分词算法,相当于分词粒度等于0
MMAnalyzer analyzer = new MMAnalyzer();
//参数为分词粒度:当字数等于或超过该参数,且能成词,该词就被切分出来
MMAnalyzer analyzer = new MMAnalyzer(int wordLength);
//字符串切分,常用于客户的关键字输入
analyzer.segment(String text, String separator);
词典维护API(静态方法):
//增加一个新词典,采用每行一个词的读取方式(注意:多线程状态下此时的分词效果将不可预料)
MMAnalyzer.addDictionary(Reader reader);
//增加一个新词
MMAnalyzer.addWord(String newWord);
//删除词库中的全部词语(注意:非常危险的操作,在没有加载新的词库前所有的分词都将失效)
MMAnalyzer.clear();
//词库中是否包含该词
MMAnalyzer.contains(String word);
//从词库中移除该词
MMAnalyzer.removeWord(String word);
//当前词库中包含的词语总数
MMAnalyzer.size();
3、使用说明
符串切分 | |||||||||||||||||||||||||||
package demo.analysis; | |||||||||||||||||||||||||||
import java.io.IOException; | |||||||||||||||||||||||||||
import jeasy.analysis.MMAnalyzer; | |||||||||||||||||||||||||||
public class Segment | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
public static void main(String[] args) | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
String text = "据路透社报道,印度尼西亚社会事务部一官员星期二(29日)表示," | |||||||||||||||||||||||||||
+ "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡," | |||||||||||||||||||||||||||
+ "20000余人受伤,近20万人无家可归。"; | |||||||||||||||||||||||||||
MMAnalyzer analyzer = new MMAnalyzer(); | |||||||||||||||||||||||||||
try | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
System.out.println(analyzer.segment(text, " | ")); | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
catch (IOException e) | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
e.printStackTrace(); | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
生成效果: | |||||||||||||||||||||||||||
据 | 路透社 | 报道 | 印度尼西亚 | 社会 | 事务 | 部 | 官员 | 星期二 | 29日 | 表示 | 日惹 | 市 |
附近 | 当地时间 | 27日 | 晨 | 5时 | 53分 | 发生 | 里氏 | 6.2级 | 地震 | 已经 | 造成 | 至少 |
5427人 | 死亡 | 20000 | 余人 | 受伤 | 近 | 20万人 | 无家可归 |
| |||||||||||||||||||||||||||
Lucene搜索 | |||||||||||||||||||||||||||
package demo.analysis; | |||||||||||||||||||||||||||
import jeasy.analysis.MMAnalyzer; | |||||||||||||||||||||||||||
import org.apache.lucene.analysis.Analyzer; | |||||||||||||||||||||||||||
import org.apache.lucene.document.Document; | |||||||||||||||||||||||||||
import org.apache.lucene.document.Field; | |||||||||||||||||||||||||||
import org.apache.lucene.index.IndexWriter; | |||||||||||||||||||||||||||
import org.apache.lucene.queryParser.QueryParser; | |||||||||||||||||||||||||||
import org.apache.lucene.search.Hits; | |||||||||||||||||||||||||||
import org.apache.lucene.search.IndexSearcher; | |||||||||||||||||||||||||||
import org.apache.lucene.search.Query; | |||||||||||||||||||||||||||
import org.apache.lucene.store.Directory; | |||||||||||||||||||||||||||
import org.apache.lucene.store.RAMDirectory; | |||||||||||||||||||||||||||
public class Segment | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
public static void main(String[] args) | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
String fieldName = "text"; | |||||||||||||||||||||||||||
String text = "据路透社报道,印度尼西亚社会事务部一官员星期二(29日)表示," | |||||||||||||||||||||||||||
+ "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡," | |||||||||||||||||||||||||||
+ "20000余人受伤,近20万人无家可归。"; //检索内容 | |||||||||||||||||||||||||||
//采用正向最大匹配的中文分词算法 | |||||||||||||||||||||||||||
Analyzer analyzer = new MMAnalyzer(); | |||||||||||||||||||||||||||
Directory directory = new RAMDirectory(); | |||||||||||||||||||||||||||
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true); | |||||||||||||||||||||||||||
try | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
IndexWriter iwriter = new IndexWriter(directory, analyzer, true); | |||||||||||||||||||||||||||
iwriter.setMaxFieldLength(25000); | |||||||||||||||||||||||||||
Document doc = new Document(); | |||||||||||||||||||||||||||
doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.TOKENIZED)); | |||||||||||||||||||||||||||
iwriter.addDocument(doc); | |||||||||||||||||||||||||||
iwriter.close(); | |||||||||||||||||||||||||||
IndexSearcher isearcher = new IndexSearcher(directory); | |||||||||||||||||||||||||||
QueryParser parser = new QueryParser(fieldName, analyzer); | |||||||||||||||||||||||||||
Query query = parser.parse("印度尼西亚 6.2级地震");//检索词 | |||||||||||||||||||||||||||
Hits hits = isearcher.search(query); | |||||||||||||||||||||||||||
System.out.println("命中:" + hits.length()); | |||||||||||||||||||||||||||
for (int i = 0; i < hits.length(); i++) | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
Document hitDoc = hits.doc(i); | |||||||||||||||||||||||||||
System.out.println("内容:" + hitDoc.get(fieldName)); | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
isearcher.close(); | |||||||||||||||||||||||||||
directory.close(); | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
catch (Exception e) | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
e.printStackTrace(); | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
生成效果: | |||||||||||||||||||||||||||
命中:1 | |||||||||||||||||||||||||||
内容:据路透社报道,印度尼西亚社会事务部一官员星期二(29日)表示,日惹市附近当地时间27日晨5时53分发生的 里氏6.2级地震已经造成至少5427人死亡,20000余人受伤,近20万人无家可归。 | |||||||||||||||||||||||||||
搜索词加亮 | |||||||||||||||||||||||||||
package demo.analysis; | |||||||||||||||||||||||||||
import jeasy.analysis.MMAnalyzer; | |||||||||||||||||||||||||||
import org.apache.lucene.analysis.Analyzer; | |||||||||||||||||||||||||||
import org.apache.lucene.analysis.TokenStream; | |||||||||||||||||||||||||||
import org.apache.lucene.document.Document; | |||||||||||||||||||||||||||
import org.apache.lucene.document.Field; | |||||||||||||||||||||||||||
import org.apache.lucene.index.IndexReader; | |||||||||||||||||||||||||||
import org.apache.lucene.index.IndexWriter; | |||||||||||||||||||||||||||
import org.apache.lucene.index.TermPositionVector; | |||||||||||||||||||||||||||
import org.apache.lucene.queryParser.QueryParser; | |||||||||||||||||||||||||||
import org.apache.lucene.search.Hits; | |||||||||||||||||||||||||||
import org.apache.lucene.search.IndexSearcher; | |||||||||||||||||||||||||||
import org.apache.lucene.search.Query; | |||||||||||||||||||||||||||
import org.apache.lucene.search.highlight.Highlighter; | |||||||||||||||||||||||||||
import org.apache.lucene.search.highlight.QueryScorer; | |||||||||||||||||||||||||||
import org.apache.lucene.search.highlight.TokenSources; | |||||||||||||||||||||||||||
import org.apache.lucene.store.Directory; | |||||||||||||||||||||||||||
import org.apache.lucene.store.RAMDirectory; | |||||||||||||||||||||||||||
public class Segment | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
public static void main(String[] args) | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
String fieldName = "text"; | |||||||||||||||||||||||||||
String text = "据路透社报道,印度尼西亚社会事务部一官员星期二(29日)表示," | |||||||||||||||||||||||||||
+ "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡," | |||||||||||||||||||||||||||
+ "20000余人受伤,近20万人无家可归。"; //检索内容 | |||||||||||||||||||||||||||
//采用正向最大匹配的中文分词算法 | |||||||||||||||||||||||||||
Analyzer analyzer = new MMAnalyzer(); | |||||||||||||||||||||||||||
Directory directory = new RAMDirectory(); | |||||||||||||||||||||||||||
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true); | |||||||||||||||||||||||||||
try | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
IndexWriter iwriter = new IndexWriter(directory, analyzer, true); | |||||||||||||||||||||||||||
iwriter.setMaxFieldLength(25000); | |||||||||||||||||||||||||||
Document doc = new Document(); | |||||||||||||||||||||||||||
doc.add(new Field(fieldName, text, Field.Store.YES, | |||||||||||||||||||||||||||
Field.Index.TOKENIZED, | |||||||||||||||||||||||||||
Field.TermVector.WITH_POSITIONS_OFFSETS)); | |||||||||||||||||||||||||||
iwriter.addDocument(doc); | |||||||||||||||||||||||||||
iwriter.close(); | |||||||||||||||||||||||||||
IndexSearcher isearcher = new IndexSearcher(directory); | |||||||||||||||||||||||||||
QueryParser parser = new QueryParser(fieldName, analyzer); | |||||||||||||||||||||||||||
Query query = parser.parse("印度尼西亚 6.2级地震");//检索词 | |||||||||||||||||||||||||||
Hits hits = isearcher.search(query); | |||||||||||||||||||||||||||
System.out.println("命中:" + hits.length()); | |||||||||||||||||||||||||||
Highlighter highlighter = new Highlighter(new QueryScorer(query)); | |||||||||||||||||||||||||||
for (int i = 0; i < hits.length(); i++) | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
text = hits.doc(i).get(fieldName); | |||||||||||||||||||||||||||
TermPositionVector tpv = (TermPositionVector) IndexReader.open( | |||||||||||||||||||||||||||
directory).getTermFreqVector(hits.id(i), fieldName); | |||||||||||||||||||||||||||
TokenStream tokenStream = TokenSources.getTokenStream(tpv); | |||||||||||||||||||||||||||
String result = highlighter.getBestFragments(tokenStream, text, 3, "..."); | |||||||||||||||||||||||||||
System.out.println("内容:" + result); | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
isearcher.close(); | |||||||||||||||||||||||||||
directory.close(); | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
catch (Exception e) | |||||||||||||||||||||||||||
{ | |||||||||||||||||||||||||||
e.printStackTrace(); | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
} | |||||||||||||||||||||||||||
} |