一步一步跟我学习lucene(4)---lucene的中文分词器jcseg和IK Analyzer分词器及其使用说明

为什么要使用lucene中文分词器

在lucene的开发过程中,我们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,但多的是对英国,法国,意大利等过语言的支持,

因此我们需要引入中文分词的概念。

各种中文分词器及其对比

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...

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.lucene.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) {
		// TODO Auto-generated catch block
		e.printStackTrace();
	}finally{
		try {
			if(stream != null)
				stream.close();
		} catch (IOException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}
}

}

运行结果如下:

中华
人民共和国


IKAnalyzer

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

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,词语分解到很细的力度,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.lucene.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) {
		// TODO Auto-generated catch block
		e.printStackTrace();
	}finally{
		try {
			stream.close();
		} catch (IOException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}
}

}

其运行结果如下:

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

源码下载

源码和相关开发文档下载

联系我

本博客是我的一步一步跟我学习lucene系列(http://blog.csdn.net/wuyinggui10000/article/category/3173543),下篇博客为大家写lucene的IndexWriter的索引创建原理;

一步一步跟我学习lucene是对近期做lucene索引的总结,大家有问题的话联系本人的Q-Q:  891922381,同时本人新建Q-Q群:106570134(lucene,solr,netty,hadoop),如蒙加入,不胜感激,大家共同探讨,本人争取每日一博,希望大家持续关注,会带给大家惊喜的

没有更多推荐了,返回首页