中文分词器 jcseg 和 IK Analyzer
为什么要使用lucene中文分词器
在 lucene 的开发过程中，常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，但多的是对英语，法语，意大利语等语言的支持，对中文的支持不太友好，因此需要引入中文分词器。
- 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, 停止词过滤等。
https://gitee.com/lionsoul/jcsegjcseg 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.olive.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) {
e.printStackTrace();
}finally{
try {
if(stream != null){
stream.close();
}
} catch (IOException e) {
e.printStackTrace();
}
}
}
}运行结果
中华
人民共和国- IKAnalyzer
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。
https://github.com/blueshen/ik-analyzer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，词语分解到很细的粒度，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.olive.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) {
e.printStackTrace();
}finally{
try {
stream.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
}运行结果
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
国腾讯云开发者
