lucene关于中文分词的问题

关于中文分词的问题，因为Lucene毕竟是国外的大牛们开发的，显然会比较侧重英文文章，不过还好，在Lucene的下载包里同步了SmartCN的分词器针对中文发行的，每一次Lucene有新的版本发行，这个包同时更新。

笔者比较推荐的中文分词器是IK分词器，在进入正式的讲解之前，我们首先对Lucene里面内置的几个分析器做个了解.


分析器类型 基本介绍
WhitespaceAnalyzer 以空格作为切词标准，不对语汇单元进行其他规范化处理
SimpleAnalyzer 以非字母符来分割文本信息，并将语汇单元统一为小写形式，并去掉数字类型的字符
StopAnalyzer 该分析器会去除一些常有a,the,an等等，也可以自定义禁用词
StandardAnalyzer Lucene内置的标准分析器,会将语汇单元转成小写形式，并去除停用词及标点符号
CJKAnalyzer 能对中，日，韩语言进行分析的分词器，对中文支持效果一般。
SmartChineseAnalyzer 对中文支持稍好，但扩展性差


评价一个分词器的性能优劣，关键是看它的切词效率以及灵活性，及扩展性，通常情况下一个良好的中文分词器，应该具备扩展词库，禁用词库和同义词库，当然最关键的是还得要与自己的业务符合，因为有些时候我们用不到一些自定义词库，所以选择分词器的时候就可以不考虑这一点。IK官网发布的最新版IK分词器对于Lucene的支持是不错的，但是对于solr的支持就不够好了，需要自己改源码支持solr4.x的版本。笔者使用的另一个IK包是经过一些人修改过的可以支持solr4.3的版本，并对扩展词库，禁用词库，同义词库完全支持，而且在solr里面配置很简单，只需要在schmal.xml进行简单配置，即可使用IK分词器的强大的定制化功能。不过官网上IK作者发布的IK包在lucene里面确都不支持同义词库扩展的功能，如果你想使用，得需要自己修改下源码了，不过即使自己修改扩展同义词也是非常容易的。


下面笔者给出使用官网最后一版发布的IK在Lucene中做的测试，笔者使用的已经扩展了同义词库部分，后面会给出源码。

下面先看第一个纯分词的测试


Java代码 复制代码 收藏代码
1.package com.ikforlucene;
2.
3.import java.io.StringReader;
4.
5.import org.apache.lucene.analysis.TokenStream;
6.import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
7.
8.
9.public class Test {
10.
11.
12. public static void main(String[] args)throws Exception {
13. //下面这个分词器，是经过修改支持同义词的分词器
14. IKSynonymsAnalyzer analyzer=new IKSynonymsAnalyzer();
15. String text="三劫散仙是一个菜鸟";
16. TokenStream ts=analyzer.tokenStream("field", new StringReader(text));
17. CharTermAttribute term=ts.addAttribute(CharTermAttribute.class);
18. ts.reset();//重置做准备
19. while(ts.incrementToken()){
20. System.out.println(term.toString());
21. }
22. ts.end();//
23. ts.close();//关闭流
24.
25.
26. }
27.
28.}


运行结果:


Java代码 复制代码 收藏代码
1.三
2.劫
3.散
4.仙
5.是
6.一个
7.菜鸟


第二步，测试扩展词库，使三劫为一个词，散仙为一个词,需要在同义词库里添加三劫,散仙（注意是按行读取的）,注意保存的格式为UTF-8或无BOM格式即可



添加扩展词库后运行结果如下:


Java代码 复制代码 收藏代码
1.三劫
2.散仙
3.是
4.一个
5.菜鸟


第三步，测试禁用词库，我们把菜鸟二个字给屏蔽掉,每行一个词，保存格式同上.


添加禁用词库后运行结果如下:


Java代码 复制代码 收藏代码
1.三劫
2.散仙
3.是
4.一个


最后我们再来测试下，同义词部分，现在笔者把河南人,洛阳人作为"一个"这个词的同义词，添加到同义词库中(笔者在这里仅仅是做一个测试，真正生产环境中的同义词肯定是正式的),注意同义词，也是按行读取的，每行的同义词之间使用逗号分割。


添加同义词库后运行结果如下:


Java代码 复制代码 收藏代码
1.三劫
2.散仙
3.是
4.一个
5.河南人
6.洛阳人


至此，使用IK在Lucene4.3中大部分功能都已测试通过，下面给出扩展同义词部分的源码，有兴趣的道友们，可以参照借鉴下。



Java代码 复制代码 收藏代码
1.package com.ikforlucene;
2.
3.import java.io.IOException;
4.import java.io.Reader;
5.import java.util.HashMap;
6.import java.util.Map;
7.
8.import org.apache.lucene.analysis.Analyzer;
9.import org.apache.lucene.analysis.Tokenizer;
10.import org.apache.lucene.analysis.synonym.SynonymFilterFactory;
11.import org.apache.solr.core.SolrResourceLoader;
12.import org.wltea.analyzer.lucene.IKTokenizer;
13./**
14. * 可以加载同义词库的Lucene
15. * 专用IK分词器
16. *
17. *
18. * */
19.public class IKSynonymsAnalyzer extends Analyzer {
20.
21.
22. @Override
23. protected TokenStreamComponents createComponents(String arg0, Reader arg1) {
24.
25. Tokenizer token=new IKTokenizer(arg1, true);//开启智能切词
26.
27. Map<String, String> paramsMap=new HashMap<String, String>();
28. paramsMap.put("luceneMatchVersion", "LUCENE_43");
29. paramsMap.put("synonyms", "E:\\同义词\\synonyms.txt");
30. SynonymFilterFactory factory=new SynonymFilterFactory(paramsMap);
31. SolrResourceLoader loader= new SolrResourceLoader("");
32. try {
33. factory.inform(loader);
34. } catch (IOException e) {
35. // TODO Auto-generated catch block
36. e.printStackTrace();
37. }
38.
39. return new TokenStreamComponents(token, factory.create(token));
40. }
41.
42.
43.
44.
45.}


关于同义词部分的使用，各位道友，可以先去官网上下载源码，然后将此同义词扩展部分放进去即可，非常简单方便