IK Analyzer分词工具（转载）

来源：互联网发布：nba历届全明星mvp数据编辑：程序博客网时间：2024/05/22 09:17

IK Analyzer是基于lucene实现的分词开源框架。

需要在项目中引入：

IKAnalyzer.cfg.xml

IKAnalyzer2012.jar

lucene-core-3.6.0.jar

stopword.dic

具体用法参考以下代码：

package com.haha.test;  
  
import java.io.IOException;  
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.wltea.analyzer.lucene.IKAnalyzer;  
  
public class Test2 {  
    public static void main(String[] args) throws IOException {  
        String text="基于java语言开发的轻量级的中文分词工具包";  
        //创建分词对象  
        Analyzer anal=new IKAnalyzer(true);       
        StringReader reader=new StringReader(text);  
        //分词  
        TokenStream ts=anal.tokenStream("", reader);  
        CharTermAttribute term=ts.getAttribute(CharTermAttribute.class);  
        //遍历分词数据  
        while(ts.incrementToken()){  
            System.out.print(term.toString()+"|");  
        }  
        reader.close();  
        System.out.println();  
    }  
  
}

运行后结果:

基于|java|语言|开发|的|轻量级|的|中文|分词|工具包|

使用(lucene)实现:

package com.haha.test;  
  
import java.io.IOException;  
import java.io.StringReader;  
  
import org.wltea.analyzer.core.IKSegmenter;  
import org.wltea.analyzer.core.Lexeme;  
  
public class Test3 {  
      
    public static void main(String[] args) throws IOException {  
        String text="基于java语言开发的轻量级的中文分词工具包";  
        StringReader sr=new StringReader(text);  
        IKSegmenter ik=new IKSegmenter(sr, true);  
        Lexeme lex=null;  
        while((lex=ik.next())!=null){  
            System.out.print(lex.getLexemeText()+"|");  
        }  
    }  
  
}

######################################################################################

IKAnalyzer分词单独使用例子

最近用了一下中文分词工具，网上说中科院研究的盘古分词比较好，找了一下没有java版本的，只有.net版本的，所以选用的IKAnalyzer分词工具.

IKAnalyzer官方说有以下特点（我没有做过测试，不知是真是假）：

采用了特有的“正向迭代最细粒度切分算法“，具有60万字/秒的高速处理能力。

采用了多子处理器分析模式，支持：英文字母（IP地址、Email、URL）、数字（日期，常用中文数量词，罗马数字，科学计数法），中文词汇（姓名、地名处理）等分词处理。

言归正传开始看代码：

使用版本3.2.8 地址 http://code.google.com/p/ik-analyzer/downloads/list

目录结构：

/ext_stopword.dic （停词列表）

/IKAnalyzer.cfg.xml （配置文件）

/IKAnalyzer3.2.8.jar

/doc3.2.8

把/ext_stopword.dic /IKAnalyzer.cfg.xml两个文件放到classpath下，引入/IKAnalyzer3.2.8.jar

/IKAnalyzer.cfg.xml内容：

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

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

<comment>IK Analyzer 扩展配置</comment>

<entry key="ext_dict">/mydict.dic</entry>

<entry key="ext_stopwords">/ext_stopword.dic</entry>

</properties>

/mydict.dic内容：

不是坏人

不是好人

ext_stopword.dic内容：

也

了

仍

从

以

使

则

却

又

及

对

就

并

很

或

把

是

的

着

给

而

被

让

在

还

比

等

当

与

于

但

package IKAnalyzerTest;

import java.io.IOException;
import java.io.StringReader;

import org.wltea.analyzer.IKSegmentation;
import org.wltea.analyzer.Lexeme;

/**
* Hello world!
*
*/
public class App 
{
    public static void main( String[] args ) throws IOException{
    String str = "从那时起，我就不是坏人了";
    StringReader reader = new StringReader(str);
    IKSegmentation ik = new IKSegmentation(reader,true);//当为true时，分词器进行最大词长切分
    Lexeme lexeme = null;
    while((lexeme = ik.next())!=null)
    System.out.println(lexeme.getLexemeText());
    }
}