中文分词器 jcseg 和 IK Analyzer

为什么要使用lucene中文分词器

在 lucene 的开发过程中，常常会遇到分词时中文识别的问题，lucene提供了 lucene-analyzers-common-5.0.0.jar包来支持分词，但多的是对英语，法语，意大利语等语言的支持，对中文的支持不太友好，因此需要引入中文分词器。

• jcseg中文分词器

jcseg 是使用 Java 开发的一款开源的中文分词器, 使用 mmseg 算法. 分词准确率高达
98.4%, 支持中文人名识别, 同义词匹配, 停止词过滤等。

https://gitee.com/lionsoul/jcseg

jcseg 支持三种切分模式：
(1). 简易模式：FMM算法，适合速度要求场合。

(2). 复杂模式-MMSEG四种过滤算法，具有较高的岐义去除，分词准确率达到了98.41%。

(3). 检测模式：只返回词库中已有的词条，很适合某些应用场合。(1.9.4开始)

就分词效率而言，简易模式速度最快

jcseg词库配置丰富，自我感觉功能最强大，详见jcseg开发文档；

jcseg现版本不兼容lucene5，我修改了其analyzer包，相关示例代码如下

package com.olive.analyzer;


import java.io.IOException;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.junit.Test;
import org.lionsoul.jcseg.analyzer.JcsegAnalyzer5X;
import org.lionsoul.jcseg.core.JcsegTaskConfig;


public class JcsegAnalyzerTest {


    @Test
    public void tokenTest() {
        Analyzer analyzer = new JcsegAnalyzer5X(JcsegTaskConfig.SIMPLE_MODE);
         //非必须(用于修改默认配置): 获取分词任务配置实例
        JcsegAnalyzer5X jcseg = (JcsegAnalyzer5X) analyzer;
        JcsegTaskConfig config = jcseg.getTaskConfig();
         //追加同义词到分词结果中, 需要在jcseg.properties中配置jcseg.loadsyn=1
        config.setAppendCJKSyn(true);
        //追加拼音到分词结果中, 需要在jcseg.properties中配置jcseg.loadpinyin=1
        config.setAppendCJKPinyin(true);
         //更多配置, 请查看com.webssky.jcseg.core.JcsegTaskConfig类
         String words = "中华人民共和国";
         TokenStream stream = null;
      
         try {
                stream = analyzer.tokenStream("myfield", words);
                stream.reset();
                CharTermAttribute  offsetAtt = stream.addAttribute(CharTermAttribute.class);
                while (stream.incrementToken()) {
                      System.out.println(offsetAtt.toString());
                }
                stream.end();
          } catch (IOException e) {
                e.printStackTrace();
          }finally{
              try {
                  if(stream != null){
                        stream.close();
                  }
               } catch (IOException e) {
                     e.printStackTrace();
               }
          }
     }
}

运行结果

中华
人民共和国

• IKAnalyzer

IK Analyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包。

https://github.com/blueshen/ik-analyzer

采用了特有的“正向迭代最细粒度切分算法“，支持细粒度和智能分词两种切分模式；

在系统环境：Core2 i7 3.4G双核，4G内存，window 7 64位， Sun JDK 1.6_29 64位 普通pc环境测试，IK2012具有160万字/秒（3000KB/S）的高速处理能力。

2012版本的智能分词模式支持简单的分词排歧义处理和数量词合并输出。

采用了多子处理器分析模式，支持：英文字母、数字、中文词汇等分词处理，兼容韩文、日文字符

优化的词典存储，更小的内存占用。支持用户词典扩展定义。特别的，在2012版本，词典支持中文，英文，数字混合词语。

IK Analyzer支持细粒度切分和智能切分两种分词模式;

在细粒度切分下，词语分解到很细的粒度，比如“一个苹果”，会被切分成如下

一个
一
个
苹果

在智能切分模式下，则会分词如下：

一个
苹果

和jcseg相同，现版本的IK Analyzer只兼容至lucene4版本，我修改了相关源码，使其提供了对lucene5的支持。

IK Analyzer示例代码如下：

package com.olive.analyzer;


import java.io.IOException;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.junit.Test;
import org.wltea.analyzer.lucene.IKAnalyzer;


public class IKAnalyzerTest {
    
    @Test
    public void tokenTest() {
        Analyzer analyzer = new IKAnalyzer();
        String words = "中华人民共和国";
        TokenStream stream = null;
        try {
              stream = analyzer.tokenStream("myfield", words);
              stream.reset();
              CharTermAttribute  offsetAtt = stream.addAttribute(CharTermAttribute.class);
              while (stream.incrementToken()) {
                  System.out.println(offsetAtt.toString());
               }
              stream.end();
        } catch (IOException e) {
              e.printStackTrace();
       }finally{
              try {
                  stream.close();
              } catch (IOException e) {
                  e.printStackTrace();
              }
        }
    }
}

运行结果

中华人民共和国
中华人民
中华
华人
人民共和国
人民
共和国
共和
国

分享&在看