大数据工具：IKAnalyzer分词工具介绍与使用

简介

为什么要分词呢，当大数据处理中要提取语句的特征值，进行向量计算。所有我们要用开源分词工具把语句中的关键词提取出来。

IK Analyzer是什么呢，就是我们需要的这个工具，是基于java开发的轻量级的中文分词工具包。它是以开源项目Luence为主体的，结合词典分词和文法分析算法的中文分词组件。IK有很多版本，在2012版本中，IK实现了简单的分词歧义排除算法。

我们为什么选择IK作为我们的分词工具呢，这里我们简单介绍一下。这里我们采用了网上的一些介绍。

1、IK才用了特有的“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。

2、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。

3、2012版的只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。

4、用了多子处理器分析模式，支持 英文字母 数字 中文词汇等

5、优化词典存储，更小的内存占用。

IK的引入使用

在pom.xml中加入如下配置即可

<!-- ikanalyzer 中文分词器  -->
        <dependency>
            <groupId>com.janeluo</groupId>
            <artifactId>ikanalyzer</artifactId>
            <version>2012_u6</version>
            <exclusions>
                <exclusion>
                    <groupId>org.apache.lucene</groupId>
                    <artifactId>lucene-core</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>org.apache.lucene</groupId>
                    <artifactId>lucene-queryparser</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>org.apache.lucene</groupId>
                    <artifactId>lucene-analyzers-common</artifactId>
                </exclusion>
            </exclusions>
        </dependency>

        <!--  lucene-queryparser 查询分析器模块 -->
        <dependency>
            <groupId>org.apache.lucene</groupId>
            <artifactId>lucene-queryparser</artifactId>
            <version>7.3.0</version>
        </dependency>

IK的两个重要词典

扩展词典：为的是让需要切分的字符串的词语 根据扩展词典里的词，不要切分开来。

例如：扩展词典中有：中国的中国台湾 。那么原本会切分成：中国 的 中国台湾 在 东海 。会切分成：中国的中国台湾 在 东海

停止词典：对比停止词典，直接删掉停止词典中出现的词语

IK的使用

项目：maven工程

resource目录下三个配置文件

1. 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> <entry key="ext_dict">/extend.dic</entry> <entry key="ext_stopwords">/stopword.dic</entry> </properties>这是一个 巨大的墙一个 一 个 的public class IKAnalyzerSupport { private static final Logger LOGGER = LoggerFactory.getLogger(IKAnalyzerSupport.class); /** * IK分词 * @param target * @return */ public static List<String> iKSegmenterToList(String target) throws Exception { if (StringUtils.isEmpty(target)){ return Lists.newArrayList(); } List<String> result = new ArrayList<>(); StringReader sr = new StringReader(target); // 关闭智能分词 (对分词的精度影响较大) IKSegmenter ik = new IKSegmenter(sr, false); Lexeme lex; while((lex=ik.next())!=null) { String lexemeText = lex.getLexemeText(); result.add(lexemeText); } //LOGGER.info("company:{}, iKSegmenterToList:{}", target, JSON.toJSON(result)); return result; } }
2. extend.dic 扩展词典
3. stopword.dic
4. IKAnalyzerSupport.java

测试

public static void main(String[] args) throws Exception {
        String str="http://www.relaxheart.cn 是王琦同学的个人兴趣分享网站";
        System.out.println(iKSegmenterToList(str));
    }

结果:

http, www.wangqi94.com, www, wangqi94, com, 是, 王, 琦, 同学, 的, 个人兴趣, 个人, 兴趣, 分享, 网站