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.
publicclassfc ......{
publicfc()......{
HLSplitInit();
}
publicsynchronizednativebyte[] seg(byte[] text);//分词
publicsynchronizednativevoidHLSplitInit();//初始化
publicsynchronizednativevoidHLOpenUsrDict(byte[] fileName);//装载用户自定义词典
publicstaticvoidmain(String[] args) ......{
fc a=newfc();
charc=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=newString(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#include"jni.h"#include"fc.h"#include#include"HLSegFunc.h"#includeJNIEXPORTvoidJNICALL Java_fc_HLSplitInit(JNIEnv*, jobject)
{
HLSplitInit();
}
JNIEXPORTvoidJNICALL 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);intj=HLGetWordCnt(h);
jbyteArray d=(env)->NewByteArray(strlen(ptr)+j);intk=0;char*sep="";for(inti=0;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);returnd;
}
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.