Lucene的中文分词器IKAnalyzer

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：

 1 <?xml version="1.0" encoding="UTF-8"?>

 2 <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">

 3 <properties>

 4     <comment>IK Analyzer 扩展配置</comment>

 5     <!--用户可以在这里配置自己的扩展字典 -->

 6     <entry key="ext_dict">ext.dic;</entry>

 7

 8     <!--用户可以在这里配置自己的扩展停止词字典-->

 9     <entry key="ext_stopwords">stopword.dic;chinese_stopword.dic</entry>

10

11 </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：

 1 package com.cndatacom.lucene.test;

 2

 3 import java.io.StringReader;

 4

 5 import org.apache.lucene.analysis.Analyzer;

 6 import org.apache.lucene.analysis.TokenStream;

 7 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;

 8 import org.junit.Test;

 9 import org.wltea.analyzer.lucene.IKAnalyzer;

10

11

12 /**

13  * IKAnalyzer 分词器测试

14  * @author Luxh

15  */

16 public class IKAnalyzerTest {

17

18     @Test

19     public void testIKAnalyzer() throws Exception {

20

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

22

23         IKAnalyzer analyzer = new IKAnalyzer();

24

25         //使用智能分词

26         analyzer.setUseSmart(true);

27

28         //打印分词结果

29         printAnalysisResult(analyzer,keyWord);

30

31     }

32

33     /**

34      * 打印出给定分词器的分词结果

35      * @param analyzer 分词器

36      * @param keyWord 关键词

37      * @throws Exception

38      */

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

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

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

42         tokenStream.addAttribute(CharTermAttribute.class);

43         while (tokenStream.incrementToken()) {

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

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

46         }

47     }

48 }

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。

巴特西

Lucene的中文分词器IKAnalyzer

最新文章

热门文章