Lucene的中文分词器IKAnalyzer - 小众知识

Lucene的中文分词器IKAnalyzer

2014-07-21 08:02:01 苏内容
  标签: Lucene/中文/分词/IKAnalyzer
阅读:2513

分词器对英文的支持是非常好的。

  一般分词经过的流程:

  1)切分关键词

  2)去除停用词

  3)把英文单词转为小写

  但是老外写的分词器对中文分词一般都是单字分词,分词的效果不好。

  国人林良益写的IK Analyzer应该是最好的Lucene中文分词器之一,而且随着Lucene的版本更新而不断更新,目前已更新到IK Analyzer 2012版本。

  IK Analyzer是一个开源的,基于java语言开发的轻量级的中文分词工具包。到现在,IK发展为面向Java的公用分词组件,独立于Lucene项目,同时提供了对Lucene的默认优化实现。在2012版本中,IK实现了简单的分词歧义排除算法,标志着IK分词器从单纯的词典分词向模拟语义分词衍化。

  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。

  特别的,在2012版本,词典支持中文,英文,数字混合词语。

  IK Analyzer 2012版本的分词效果示例:

  IK Analyzer2012版本支持 细粒度切分 和 智能切分。

  我们看两个演示样例:

  1)文本原文1:

  IKAnalyzer是一个开源的,基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版本开始,IKAnalyzer已经推出了3个大版本。

  智能分词结果:

  ikanalyzer | 是 | 一个 | 开源 | 的 | 基于 | java | 语言 | 开发 | 的 | 轻量级 | 的 | 中文 | 分词 | 工具包 | 从 | 2006年 | 12月 | 推出 | 1.0版 | 开始 | ikanalyzer | 已经 | 推 | 出了 | 3个 | 大 | 版本

  最细粒度分词结果:

  ikanalyzer | 是 | 一个 | 一 | 个 | 开源 | 的 | 基于 | java | 语言 | 开发 | 的 | 轻量级| 量级 | 的 | 中文 | 分词 | 工具包 | 工具 | 包 | 从 | 2006 | 年 | 12 | 月 | 推出 | 1.0 | 版 | 开始 | ikanalyzer | 已经 | 推出 | 出了 | 3 | 个 | 大 | 版本

  2)文本原文2:

  张三说的确实在理。

  智能分词结果:

  张三 | 说的 | 确实 | 在理

  最细粒度分词结果:

  张三 | 三 | 说的 | 的确 | 的 | 确实 | 实在 | 在理

  IKAnalyzer的使用

  1)下载地址:

  GoogleCode开源项目:http://code.google.com/p/ik-analyzer/

  GoogleCode下载地址:http://code.google.com/p/ik-analyzer/downloads/list

  2)兼容性:

  IKAnalyzer 2012版本兼容Lucene3.3以上版本。

  3)安装部署:

  十分简单,只需要将IKAnalyzer2012.jar引入项目中就可以了。对于"的"、"了"、"着"之类的停用词,它有一个词典stopword.dic。把stopword.dic和IKAnalyzer.cfg.xml复制到class根目录就可以启用停用词功能和扩展自己的词典。

  4)测试例子:

  新建一个Java Project,引入Lucene所需的jar文件和IKAnalyzer2012.jar文件,把stopword.dic和IKAnalyzer.cfg.xml复制到class根目录,建立一个扩展词典ext.dic和中文停用词词典chinese_stopword.dic。

  IKAnalyzer2012发布包自带的stopword.dic里面存的是英文的停用词。所以我们新建一个chinese_stopword.dic,用来存放中文停用词。chinese_stopword.dic需要使用UTF-8编码。词典中,每个中文词汇独占一行。

  chinese_stopword.dic内容格式:

  IKAnalyzer.cfg.xml:

<?xml version="1.0" encoding="UTF-8"?>
 <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">  
 <properties>  
     <comment>IK Analyzer 扩展配置</comment>
     <!--用户可以在这里配置自己的扩展字典 -->
     <entry key="ext_dict">ext.dic;</entry> 
 
     <!--用户可以在这里配置自己的扩展停止词字典-->
     <entry key="ext_stopwords">stopword.dic;chinese_stopword.dic</entry> 
     
 </properties>

可以配置多个词典文件,文件使用";"号分隔。文件路径为相对java包的起始根路径。

  扩展词典ext.dic需要为UTF-8编码。

  ext.dic内容:

  我把"2012"作为一个词,"欧洲杯四强赛"作为一个词。

  测试分词代码:

package com.cndatacom.lucene.test;

 

 import java.io.StringReader;

 

 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 testIKAnalyzer() throws Exception {

         

         String keyWord = "2012年欧洲杯四强赛";

         

         IKAnalyzer analyzer = new IKAnalyzer();

         

         //使用智能分词

         analyzer.setUseSmart(true);

         

         //打印分词结果

         printAnalysisResult(analyzer,keyWord);

         

     }

     

     

     private void printAnalysisResult(Analyzer analyzer, String keyWord) throws Exception {

         System.out.println("当前使用的分词器:" + analyzer.getClass().getSimpleName());

         TokenStream tokenStream = analyzer.tokenStream("content", new StringReader(keyWord));

         tokenStream.addAttribute(CharTermAttribute.class);

         while (tokenStream.incrementToken()) {

             CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);

             System.out.println(new String(charTermAttribute.buffer()));

         }

     }

 }

打印出来的分词结果:

  可以看到”2012“作为一个词,“欧洲杯四强赛”也是作为一个词,停用词”年“已被过滤掉。

扩展阅读
相关阅读
© CopyRight 2010-2021, PREDREAM.ORG, Inc.All Rights Reserved. 京ICP备13045924号-1