分词的基本原理:
1、分词是用来对文本按语言特征按算法进行过滤、分组处理的一种技术。
2、分词的对象是文本,而不是图像动画脚本等等。
3、分词的方式就是过滤和分组。
4、过滤主要把文本中那些没有实际意义的字或词过滤掉。
5、分组就是按照”分词数据库“内已添加好的词,进行匹配。
下面来看Lucene分词器的使用
package com.qianyan.analyzer;
import java.io.IOException;
import java.io.StringReader;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.SimpleAnalyzer;
import org.apache.lucene.analysis.Token;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.WhitespaceAnalyzer;
import org.apache.lucene.analysis.cjk.CJKAnalyzer;
import org.apache.lucene.analysis.cn.ChineseAnalyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
public class TestAnalyzer {
public static void main(String[] args) throws IOException {
Analyzer analyzer = new StandardAnalyzer(); //标准 过滤停用次
//Analyzer analyzer = new SimpleAnalyzer(); //简单 过滤空格和符号
//Analyzer analyzer = new WhitespaceAnalyzer(); //过滤空格
//Analyzer analyzer = new ChineseAnalyzer(); //lucene下的中文分词器 拆分每个字符,过滤符号
//Analyzer analyzer = new CJKAnalyzer(); //中文 两字两字拆分 英文和standard功能一样
String input = "this is test lucene analyzer class!";
TokenStream tokenStream = analyzer.tokenStream("", new StringReader(input));
Token token = new Token();
while(null != tokenStream.next(token))
System.out.println(token.term());
}
}
对于初学者,我们只需要掌握这些经典的分词器就足够了。
但在实际的开发过程中,满足我们需要得,是一些基于lucene分词之上的第三方中文分词包,在这里我们只介绍 ”庖丁分词包“,命令借鉴了”庖丁解牛“这个成语。
庖丁解牛,我国古代成语,出自《庄子》,比喻经过反复实践,掌握了事物的客观规律,做事得心应手,运用自如。
下载网址链接:http://code.google.com/p/paoding/
解压后我们需要对项目添加2个jar包,解压目录下的paoding-analysis.jar 和lib下的 commons-logging.jar 。令把dic文件夹复制到我们的项目src目录下。
package com.qianyan.analyzer;
import java.io.IOException;
import java.io.StringReader;
import net.paoding.analysis.analyzer.PaodingAnalyzer;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.Token;
import org.apache.lucene.analysis.TokenStream;
public class TestPaodingAnalyzer {
public static void