Java日文分词器之Kuromoji

Kuromoji是一个开源的，基于java语言开发的轻量级的日文分词工具包。捐赠给了ASF之后被内置在Lucene 和 Solr中，作为默认的日文分词器（默认的中文分词器是smartcn）。但他也不依赖Lucene 或 Solr，可以单独使用。采用维特比算法（Viterbi algorithm），默认使用IPA字典。

其他有名的还有lucene-gosen ：http://code.google.com/p/lucene-gosen/ 以及Google・Amazon・楽天等日本大的搜索引擎使用的Rosette ：http://www.basistech.jp/base-linguistics/japanese/ 。Rosette是商业版的，能够适用于很多语言，比如：中文，日文，韩文，英文等等。

http://www.atilika.org/

版本：kuromoji-0.7.7.jar

（1）2行代码即可分词

Tokenizer tokenizer = Tokenizer.builder().build();
List<Token> tokens = tokenizer.tokenize(word);

分词后的Token：

for (Token token : tokens) {
    System.out.println("==================================================");
    System.out.println("allFeatures : " + token.getAllFeatures());
    System.out.println("partOfSpeech : " + token.getPartOfSpeech());
    System.out.println("position : " + token.getPosition());
    System.out.println("reading : " + token.getReading());
    System.out.println("surfaceFrom : " + token.getSurfaceForm());
    System.out.println("allFeaturesArray : " + Arrays.asList(token.getAllFeaturesArray()));
    System.out.println("辞書にある言葉? : " + token.isKnown());
    System.out.println("未知語? : " + token.isUnknown());
    System.out.println("ユーザ定義? : " + token.isUser());
}

（2）3中分词模式

String word = "日本経済新聞でモバゲーの記事を読んだ。";
Builder builder = Tokenizer.builder();

// Normal
Tokenizer normal = builder.build();
List<Token> tokensNormal = normal.tokenize(word);
disp(tokensNormal);

// Search
builder.mode(Mode.SEARCH);
Tokenizer search = builder.build();
List<Token> tokensSearch = search.tokenize(word);
disp(tokensSearch);

// Extends
builder.mode(Mode.EXTENDED);
Tokenizer extended = builder.build();
List<Token> tokensExtended = extended.tokenize(word);
disp(tokensExtended);

引用

日本経済新聞 | で | モバゲー | の | 記事 | を | 読ん | だ | 。 |
日本 | 経済 | 新聞 | で | モバゲー | の | 記事 | を | 読ん | だ | 。 |
日本 | 経済 | 新聞 | で | モ | バ | ゲ | ー | の | 記事 | を | 読ん | だ | 。 |

（3）自定义词典

// 使用自定义字典
InputStream is = UserDictSample.class.getClassLoader().getResourceAsStream("resources/userdict_ja.txt");

Builder builder = Tokenizer.builder();
builder.userDictionary(is);
Tokenizer userTokenizer = builder.build();

List<Token> tokens2 = userTokenizer.tokenize(word);

StringBuilder sb2 = new StringBuilder();
for (Token token : tokens2) {
    sb2.append(token.getSurfaceForm() + " | ");
}
System.out.println(sb2.toString());

引用

稀 | 勢 | の | 里 | 寛 |
稀勢の里 | 寛 |

resources/userdict_ja.txt:

引用

# 単語,形態素解析後の単語（単語を分ける場合は、スペースで区切る）,読み,品詞
稀勢の里寛,稀勢の里 寛,キセノサト ユタカ,カスタム人名

（4）汉字转片假名

String word = "東京特許許可局";

Builder builder = Tokenizer.builder();
builder.mode(Mode.NORMAL);
Tokenizer tokenizer = builder.build();
List<Token> tokens = tokenizer.tokenize(word);

StringBuilder sb = new StringBuilder();
for (Token token : tokens) {
    sb.append(token.getReading() + " | ");
}
System.out.println(sb.toString());

引用

トウキョウ | トッキョ | キョカ | キョク |