中文分词 mmseg4j-1.8

原文出处：http://blog.chenlb.com/2009/10/chinese-segment-mmseg4j-1_8-release.html

 

想发布新版的 mmseg4j 到现在已经有二个多月了。主要是因为这段时间忙其它事情了。现 Lucene 2.9 发布了，solr 1.4 也应该会比较快就要发布了。对 mmseg4j 兼容新版的 lucene/solr 也是个任务。

现 mmseg4j 发布新版 1.8，可以下载：mmseg4j-1.8.zip 包括了源码与词库，还有创建文件。下面说下此版的主要变更：

new:

1、有检测词典变更的接口，外部程序可以使用 wordsFileIsChange() 和 reload() 来完成检测与加载的工作. (内部不实现自动检测与加载，留给外部程序去做。)

2、添加 MMseg4jHandler 类，可以在solr中用url的方式来控制加载检测词库。

3、增加 CutLetterDigitFilter过虑器，切分“字母和数”混在一起的过虑器。比如：mb991ch 切为 "mb 991 ch"。

changes:

1、默认在 classpath 中加载 data 目录（词库目录），找不到再找 user.dir/data 目录。但是优先 mmseg.dic.path 系统属性指定的。

2、新词库，去除 sogou 高频无词性的词，合并 rmmseg 提供的词（是 mmseg4j 1.0 使用的词库），共计（14W 多词）。

3、数字或英文开头的数字或英文不独立分出。如 MB991CH/A 分为 mb991ch a，cq40-519tx 分为 CQ40 519TX

4、内置支持小写，不需要 LowerCaseFilter 了。MMSegAnalyzer 去除了小写过虑。

5、支持 solr 1.3/1.4、lucene 2.3/2.4/2.9

6、尝试加载 jar 里的 words.dic，并构建含有 words.dic 的 jar(mmseg4j-*-with-dic.jar)。

bugs:

1、Dictionary 添加 finalize 方法。修正 tomcat reload 时 OOM 的 bug: http://code.google.com/p/mmseg4j/issues/detail?id=4

2、MMSegTokenizer 在 lucene 2.4 编译的 在 lucene 2.9 中会报 java.lang.NoSuchFieldError: input。bug: http://code.google.com/p/mmseg4j/issues/detail?id=5

此发布版的 *.jar 是在 solr-1.3，lucene-2.4 下编译，可以支持 solr-1.4-dev，lucene-2.3/2.9。如果你心理上觉得在 solr-1.4/lucene-2.9 下运行不爽。可以把下载来的 mmseg4j-1.8.zip 里的 lib/*.jar 换成 solr1.4/lucene2.9的jar（apache-solr-core-1.4-dev.jar，apache-solr-solrj- 1.4-dev.jar，lucene-core-2.9.jar），然后用 ant 重新编译打包。方式是：

ant build

为不需要自定义词库的网友可以使用 mmseg4j-*-with-dic.jar 的包，它们包括了 *.dic 文件。当然此情况下还是可以使用扩展自己的词库，把自己的词库放到指定的目录就行（原来指定词库的方式，加上默认的 classpath/data）。事实上只是在自定义的词库目录加载之前尝试加载 jar 里的 words.dic文件。solr 用户还是推荐用原来的方式。

欢迎大家使用，或报告 bug。

1.8.2 fixed bug：