Lucene.net中文分词探究

来源：互联网发布：淘宝上原单正品外贸店编辑：程序博客网时间：2024/05/24 15:38

一、中文分词方式：

中文分词几种常用的方式：

A．单字分词

单字分词，顾名思义，就是按照中文一个字一个字地进行分词。如：我们是中国人，效果：我/们/是/中/国/人。

B．二分法

二分法，就是按两个字进行切分。如：我们是中国人，效果：我们/们是/是中/中国/国人。

C．词库分词

词库分词，就是按某种算法构造词然后去匹配已建好的词库集合，如果匹配到就切分出来成为词语。通常词库分词被认为是最理想的中文分词算法如：我们是中国人，通成效果为：我们/是/中国/中国人。

二、Lucene.net中五种中文分词效果探究

在Lucene.net中有很多种分词器，不同分词器使用了不同的分词算法，有不同的分词效果，满足不同的需求！在这里主要是看看其中五中分词器用来对中文切词的效果。五中分词器分别为：StandardTokenizer，CJKTokenizer，ChinessTokenizer，LowerCaseTokenizer，WhitespaceTokenizer;

下面就来测试一下它们切词的效果：

测试目标：是否支持中文词语，英文单词，邮件，IP地址，标点符号，数字，数学表达式的切割。
测试文字：“我们是中国人; 我们是人;we are chiness; 172.16.34.172;youpeizun@126.com;#$*;85*34;58 69”

测试StandardTokenizer的分词情况如下：

我/ 们/ 是/ 中/ 国/ 人/ 我/ 们/ 是/ 人/ we/ are/ chiness/ 172.16.34.172/ youpeizun@126.com/ 85/ 34/ 58/ 69/

测试CJKTokenizer的分词情况如下：

我们/ 们是/ 是中/ 中国/ 国人/ 我们/ 是/ 人/ we/ chiness/ 172/ 16/ 34/ 172/ youpe

izun/ 126/ com/ #/ 85/ 34/ 58/ 69/

测试ChinessTokenizer的分词情况如下：

我/ 们/ 是/ 中/ 国/ 人/ 我/ 们/ 是/ 人/ we/ are/ chiness/ 172/ 16/ 34/ 172/ youp

eizun/ 126/ com/ 85/ 34/ 58/ 69/

测试LowerCaseTokenizer的分词情况如下：

我们是中国人/我们/是/人/we/are/chiness/youpeizun/com/

测试WhitespaceTokenizer的分词情况如下：

我们是中国人;/我们/是/人;we/are/chiness;/172.16.34.172;youpeizun@126.com;#$*;85*

34;58/69/

测试代码：
一、中文分词方式：

using System;

using System.Collections.Generic;

using System.Text;

using Lucene.Net.Analysis.Standard;

using Lucene.Net.Analysis;

using Lucene.Net.Index;

using Lucene.Net.Documents;

using System.IO;

using Lucene.Net.Analysis.Cn;

using Lucene.Net.Analysis.CJK;

//date：11－02－2007

//home page:http://www.cnblogs.com/xuanfeng

//author:peizunyou

namespace TokenizerTest

{

class TokenizerTest

{

static void Main(string[] args)

{

string testText = "我们是中国人; 我们是人;we are chiness; 172.16.34.172;youpeizun@126.com;#$*;85*34;58 69";

Console.WriteLine("测试文字："+testText);

Console.WriteLine("测试StandardTokenizer的分词情况如下：");

TestStandardTokenizer(testText);

Console.WriteLine("测试CJKTokenizer的分词情况如下：");

TestCJKTokenizer(testText);

Console.WriteLine("测试ChinessTokenizer的分词情况如下：");

TestChinessTokenizer(testText);

Console.WriteLine("测试LowerCaseTokenizer的分词情况如下：");

TestLowerCaseTokenizer(testText);

Console.WriteLine("测试WhitespaceTokenizer的分词情况如下：");

TestWhitespaceTokenizer(testText);

Console.Read();

}

static void TestStandardTokenizer(string text)

{

TextReader tr = new StringReader(text);

StandardTokenizer st = new StandardTokenizer(tr);

while (st.Next() != null)

{

Console.Write(st.token.ToString()+"/ ");

}

Console.WriteLine();

}

static void TestCJKTokenizer(string text)

{

TextReader tr = new StringReader(text);

int end = 0;

CJKAnalyzer cjkA = new CJKAnalyzer();

TokenStream ts = cjkA.TokenStream(tr);

while(end<text.Length)

{

Lucene.Net.Analysis.Token t = ts.Next();

end = t.EndOffset();

Console.Write(t.TermText()+"/ ");

}

Console.WriteLine();

}

static void TestChinessTokenizer(string text)

{

TextReader tr = new StringReader(text);

ChineseTokenizer ct = new ChineseTokenizer(tr);

int end = 0;

Lucene.Net.Analysis.Token t;

while(end<text.Length)

{

t = ct.Next();

end = t.EndOffset();

Console.Write(t.TermText()+"/ ");

}

Console.WriteLine();

}

static void TestLowerCaseTokenizer(string text)

{

TextReader tr = new StringReader(text);

SimpleAnalyzer sA = new SimpleAnalyzer();

//SimpleAnalyzer使用了LowerCaseTokenizer分词器

TokenStream ts = sA.TokenStream(tr);

Lucene.Net.Analysis.Token t;

while((t=ts.Next())!=null)

{

Console.Write(t.TermText()+"/");

}

Console.WriteLine();

}

static void TestWhitespaceTokenizer(string text)

{

TextReader tr = new StringReader(text);

WhitespaceAnalyzer sA = new WhitespaceAnalyzer();

TokenStream ts = sA.TokenStream(tr);

Lucene.Net.Analysis.Token t;

while ((t = ts.Next()) != null)

{

Console.Write(t.TermText() + "/");

}

Console.WriteLine();

}

中文分词几种常用的方式：

A．单字分词

单字分词，顾名思义，就是按照中文一个字一个字地进行分词。如：我们是中国人，效果：我/们/是/中/国/人。

B．二分法

二分法，就是按两个字进行切分。如：我们是中国人，效果：我们/们是/是中/中国/国人。

C．词库分词

二、Lucene.net中五种中文分词效果探究

下面就来测试一下它们切词的效果：

测试StandardTokenizer的分词情况如下：

我/ 们/ 是/ 中/ 国/ 人/ 我/ 们/ 是/ 人/ we/ are/ chiness/ 172.16.34.172/ youpeizun@126.com/ 85/ 34/ 58/ 69/

测试CJKTokenizer的分词情况如下：

我们/ 们是/ 是中/ 中国/ 国人/ 我们/ 是/ 人/ we/ chiness/ 172/ 16/ 34/ 172/ youpe

izun/ 126/ com/ #/ 85/ 34/ 58/ 69/

测试ChinessTokenizer的分词情况如下：

我/ 们/ 是/ 中/ 国/ 人/ 我/ 们/ 是/ 人/ we/ are/ chiness/ 172/ 16/ 34/ 172/ youp

eizun/ 126/ com/ 85/ 34/ 58/ 69/

测试LowerCaseTokenizer的分词情况如下：

我们是中国人/我们/是/人/we/are/chiness/youpeizun/com/

测试WhitespaceTokenizer的分词情况如下：

我们是中国人;/我们/是/人;we/are/chiness;/172.16.34.172;youpeizun@126.com;#$*;85*

34;58/69/

测试代码：
测试代代码下载

using System;

using System.Collections.Generic;

using System.Text;

using Lucene.Net.Analysis.Standard;

using Lucene.Net.Analysis;

using Lucene.Net.Index;

using Lucene.Net.Documents;

using System.IO;

using Lucene.Net.Analysis.Cn;

using Lucene.Net.Analysis.CJK;

//date：11－02－2007

//home page:http://www.cnblogs.com/xuanfeng

//author:peizunyou

namespace TokenizerTest

{

class TokenizerTest

{

static void Main(string[] args)

{

string testText = "我们是中国人; 我们是人;we are chiness; 172.16.34.172;youpeizun@126.com;#$*;85*34;58 69";

Console.WriteLine("测试文字："+testText);

Console.WriteLine("测试StandardTokenizer的分词情况如下：");

TestStandardTokenizer(testText);

Console.WriteLine("测试CJKTokenizer的分词情况如下：");

TestCJKTokenizer(testText);

Console.WriteLine("测试ChinessTokenizer的分词情况如下：");

TestChinessTokenizer(testText);

Console.WriteLine("测试LowerCaseTokenizer的分词情况如下：");

TestLowerCaseTokenizer(testText);

Console.WriteLine("测试WhitespaceTokenizer的分词情况如下：");

TestWhitespaceTokenizer(testText);

Console.Read();

}

static void TestStandardTokenizer(string text)

{

TextReader tr = new StringReader(text);

StandardTokenizer st = new StandardTokenizer(tr);

while (st.Next() != null)

{

Console.Write(st.token.ToString()+"/ ");

}

Console.WriteLine();

}

static void TestCJKTokenizer(string text)

{

TextReader tr = new StringReader(text);

int end = 0;

CJKAnalyzer cjkA = new CJKAnalyzer();

TokenStream ts = cjkA.TokenStream(tr);

while(end<text.Length)

{

Lucene.Net.Analysis.Token t = ts.Next();

end = t.EndOffset();

Console.Write(t.TermText()+"/ ");

}

Console.WriteLine();

}

static void TestChinessTokenizer(string text)

{

TextReader tr = new StringReader(text);

ChineseTokenizer ct = new ChineseTokenizer(tr);

int end = 0;

Lucene.Net.Analysis.Token t;

while(end<text.Length)

{

t = ct.Next();

end = t.EndOffset();

Console.Write(t.TermText()+"/ ");

}

Console.WriteLine();

}

static void TestLowerCaseTokenizer(string text)

{

TextReader tr = new StringReader(text);

SimpleAnalyzer sA = new SimpleAnalyzer();

//SimpleAnalyzer使用了LowerCaseTokenizer分词器

TokenStream ts = sA.TokenStream(tr);

Lucene.Net.Analysis.Token t;

while((t=ts.Next())!=null)

{

Console.Write(t.TermText()+"/");

}

Console.WriteLine();

}

static void TestWhitespaceTokenizer(string text)

{

TextReader tr = new StringReader(text);

WhitespaceAnalyzer sA = new WhitespaceAnalyzer();

TokenStream ts = sA.TokenStream(tr);

Lucene.Net.Analysis.Token t;

while ((t = ts.Next()) != null)

{

Console.Write(t.TermText() + "/");

}

Console.WriteLine();

}

三、五中分词器代码设计探究

从下面分词器代码设计中的静态结构图可以清晰的看出其继承关系。无论是哪个分词器，其分词最终实现的算法都是在Next()方法，想深入了解，请看其相关源码。

Feedback

三、五中分词器代码设计探究