海量的中文分词组件使用

海量的中文分词组件(HLSSplit.dll),是用C++写的.在java下调用,就要用JNI技术.

前段时间做了一个.希望和大家分享一下.关于JNI技术,网上有很多的介绍,还不太了解的朋友,可以去网上看看,很简单,看看就明白.

首先在写一个类,这个是在JAVA下的调用类.

public class fc ......{


public fc()......{
HLSplitInit();
}

public synchronized native byte[] seg(byte[] text);//分词

public synchronized native void HLSplitInit();//初始化

public synchronized native void HLOpenUsrDict(byte[] fileName);//装载用户自定义词典


public static void main(String[] args) ......{
fc a=new fc();

char c=0;
String str="供应止回阀"+c;

//String str = "潘岳与邱晓华指出，这次核算得出的结果虽不完整，但也足以对现实全貌有所估计。这些数字再次证明了，环境危机正在越来越严重地制约经济发展";

String s=new String(a.seg(str.getBytes()));

System.out.print(s);
}

static......{

System.setProperty("java.library.path",System.getProperty("java.class.path"));
System.loadLibrary("fc");

}
}


其中的Main()函数里面的内容,是显示调用的方面,在实际的JNI中没有作用.

char c=0;
String str="供应止回阀"+c; 这样写的原因是C中字符串是有/0结束的.

执行JAVA fc.java ,然后执行JAVAH fc,产生fc.h头文件.

下面创建用VC6.0创建一个空DLL工程,

然后向工程中添加fc.h,jni.h,HLSegFunc.h,HLPubDef.h,HLSSplit.lib

添加一个.cpp文件,写入下面的代码



#include <windows.h>
#include "jni.h"
#include "fc.h"
#include<stdio.h>
#include "HLSegFunc.h"
#include <string.h>


JNIEXPORT void JNICALL Java_fc_HLSplitInit(JNIEnv *, jobject)
{
HLSplitInit();
}

JNIEXPORT void JNICALL Java_fc_HLOpenUsrDict (JNIEnv *env, jobject b, jbyteArray c)
{

jbyte * arrayBody = (env)->GetByteArrayElements(c,0);
char * ptr = (char *)arrayBody;
HLOpenUsrDict(ptr);

}



JNIEXPORT jbyteArray JNICALL Java_fc_seg (JNIEnv *env, jobject b, jbyteArray c)
{

jbyte * arrayBody = (env)->GetByteArrayElements(c,0);
char * ptr = (char *)arrayBody;

HANDLE h=HLOpenSplit();
HLSplitWord(h ,ptr,HL_CAL_OPT_SEARCH);
int j=HLGetWordCnt(h);
jbyteArray d=(env)->NewByteArray(strlen(ptr)+j);
int k=0;
char *sep=" ";
for(int i=0;i<j;i++)
{
SHLSegWord* pWord=HLGetWordAt(h , i);
env->SetByteArrayRegion(d,k,strlen(pWord->s_szWord),(jbyte *)pWord->s_szWord);
k+=strlen(pWord->s_szWord);
env->SetByteArrayRegion(d,k,1,(jbyte *)sep);
k+=1;
}
HLCloseSplit(h);
return d;


}
然后,编译就可以了.

把fc.class,fc.dll,HLSSplit.dll,HLSplitWord.dat,方面一个文件夹中,执行可以看到结果了.

我写这个,是要在Nutch,实现中文分词,不过,我试了试,感觉有这样的问题:因为它是基于上面文的分词,所以,不同的时候分词的结果不同,这样就给我们在搜索的时候造成了问题,比如"美白是永远的热门话题",这句话的分词结果是: 美/白/是/永远/的/热门/话题,而如果输入"美白"两个字,它就不分词了,这样就导致我们找不到上面的这句话了.产生这样的原因,我认为是词典里面没有"美白"这个词.所以当你把它用到搜索引擎的分词是,要注意这点.

网上有很多研究Nutch中加入中文分词技术文章,我觉得多少有些问题.过些天,我把我实现的过程,给大家分享一下,看看有没有什么问题.