MMSeg4j是一款中文分词器,详细介绍如下:
1、mmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法(http://technology.chtsai.org/mmseg/ )实现的中文分词器,并实现 lucene 的 analyzer 和 solr 的TokenizerFactory 以方便在Lucene和Solr中使用。
2、MMSeg 算法有两种分词方法:Simple和Complex,都是基于正向最大匹配。Complex 加了四个规则过虑。官方说:词语的正确识别率达到了 98.41%。mmseg4j 已经实现了这两种分词算法。
1.5版的分词速度simple算法是 1100kb/s左右、complex算法是 700kb/s左右,(测试机:AMD athlon 64 2800+ 1G内存 xp)。
1.6版在complex基础上实现了最多分词(max-word)。“很好听” -> "很好|好听"; “中华人民共和国” -> "中华|华人|共和|国"; “中国人民银行” -> "中国|人民|银行"。
1.7-beta 版, 目前 complex 1200kb/s左右, simple 1900kb/s左右, 但内存开销了50M左右. 上几个版都是在10M左右
可惜的是,MMSeg4j最新版1.9.1不支持Lucene5.0,于是我就修改了它的源码将它升级咯,使其支持Lucene5.x,至于我是怎样修改,这里就不一一说明的,我把我修改过的MMSeg4j最新源码上传到了我的百度网盘,现分享给你们咯:
下面是一个MMSeg4j分词器简单使用示例:
package com.chenlb.mmseg4j.analysis; 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.apache.lucene.analysis.tokenattributes.OffsetAttribute; import org.apache.lucene.analysis.tokenattributes.PositionIncrementAttribute; import org.apache.lucene.analysis.tokenattributes.TypeAttribute; import org.junit.Assert; import org.junit.Before; import org.junit.Ignore; import org.junit.Test; /** * MMSegAnalyzer分词器测试 * @author Lanxiaowei * */ public class MMSegAnalyzerTest { String txt = ""; @Before public void before() throws Exception { txt = "京华时报2009年1月23日报道 昨天,受一股来自中西伯利亚的强冷空气影响,本市出现大风降温天气,白天最高气温只有零下7摄氏度,同时伴有6到7级的偏北风。"; txt = "2009年ゥスぁま是中 ABcc国абвгαβγδ首次,我的ⅠⅡⅢ在chenёlbēū全国ㄦ范围ㄚㄞㄢ内①ē②㈠㈩⒈⒑发行地方政府债券,"; txt = "大S小3U盘浙BU盘T恤T台A股牛B"; } @Test //@Ignore public void testSimple() throws IOException { Analyzer analyzer = new SimpleAnalyzer(); displayTokens(analyzer,txt); } @Test @Ignore public void testComplex() throws IOException { //txt = "1999年12345日报道了一条新闻,2000年中法国足球比赛"; /*txt = "第一卷 云天落日圆 第一节 偷欢不成倒大霉"; txt = "中国人民银行"; txt = "我们"; txt = "工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作";*/ //ComplexSeg.setShowChunk(true); Analyzer analyzer = new ComplexAnalyzer(); displayTokens(analyzer,txt); } @Test @Ignore public void testMaxWord() throws IOException { //txt = "1999年12345日报道了一条新闻,2000年中法国足球比赛"; //txt = "第一卷 云天落日圆 第一节 偷欢不成倒大霉"; //txt = "中国人民银行"; //txt = "下一个 为什么"; //txt = "我们家门前的大水沟很难过"; //ComplexSeg.setShowChunk(true); Analyzer analyzer = new MaxWordAnalyzer(); displayTokens(analyzer,txt); } /*@Test public void testCutLeeterDigitFilter() { String myTxt = "mb991ch cq40-519tx mmseg4j "; List<String> words = toWords(myTxt, new MMSegAnalyzer("") { @Override protected TokenStreamComponents createComponents(String text) { Reader reader = new BufferedReader(new StringReader(text)); Tokenizer t = new MMSegTokenizer(newSeg(), reader); return new TokenStreamComponents(t, new CutLetterDigitFilter(t)); } }); //Assert.assertArrayEquals("CutLeeterDigitFilter fail", words.toArray(new String[words.size()]), "mb 991 ch cq 40 519 tx mmseg 4 j".split(" ")); for(String word : words) { System.out.println(word); } }*/ public static void displayTokens(Analyzer analyzer,String text) throws IOException { TokenStream tokenStream = analyzer.tokenStream("text", text); displayTokens(tokenStream); } public static void displayTokens(TokenStream tokenStream) throws IOException { OffsetAttribute offsetAttribute = tokenStream.addAttribute(OffsetAttribute.class); PositionIncrementAttribute positionIncrementAttribute = tokenStream.addAttribute(PositionIncrementAttribute.class); CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class); TypeAttribute typeAttribute = tokenStream.addAttribute(TypeAttribute.class); tokenStream.reset(); int position = 0; while (tokenStream.incrementToken()) { int increment = positionIncrementAttribute.getPositionIncrement(); if(increment > 0) { position = position + increment; System.out.print(position + ":"); } int startOffset = offsetAttribute.startOffset(); int endOffset = offsetAttribute.endOffset(); String term = charTermAttribute.toString(); System.out.println("[" + term + "]" + ":(" + startOffset + "-->" + endOffset + "):" + typeAttribute.type()); } } /** * 断言分词结果 * @param analyzer * @param text 源字符串 * @param expecteds 期望分词后结果 * @throws IOException */ public static void assertAnalyzerTo(Analyzer analyzer,String text,String[] expecteds) throws IOException { TokenStream tokenStream = analyzer.tokenStream("text", text); CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class); for(String expected : expecteds) { Assert.assertTrue(tokenStream.incrementToken()); Assert.assertEquals(expected, charTermAttribute.toString()); } Assert.assertFalse(tokenStream.incrementToken()); tokenStream.close(); } }
mmseg4j分词器有3个字典文件,如图:
chars.dic是汉字字典文件,里面有12638个汉字
units.dic里是中文单位词语,如小时,分钟,米,厘米等等,具体自己打开看看就明白了
words.dic就是用户自定义字典文件,比如:么么哒,T恤,牛B等这些词,放在这个字典文件里,分词器就能把它当作一个词
我们在使用mmseg4j分词器时,是这样用的:
Analyzer analyzer = new SimpleAnalyzer();
查看SimpleAnalyzer的构造函数,
public SimpleAnalyzer() { super(); }
调用的是父类MMSegAnalyzer的无参构造函数,接着查看MMSegAnalyzer类的无参构造函数:
public MMSegAnalyzer() { dic = Dictionary.getInstance(); }
你会发现是通过Dictionary.getInstance()单实例模式去加载字典文件的,接着查看getInstance方法,
这里的代码注释写的很清楚,告诉了我们字典文件的加载逻辑。
File path = getDefalutPath();用来获取默认的字典文件路径,
然后根据字典文件路径调用getInstance(path)方法去加载字典文件,接着查看该方法,
先从缓存dics里去字典文件,如果缓存里没有找到,则才会根据字典文件路径去加载,然后把加载到的字典文件放入缓存dics即dics.put(),
接着看看Dictionary字典是如何初始化的,查看Dictionary的构造函数源码:
你会发现内部实际是通过调用init(path);方法进行字典初始化的,继续查阅init方法,
内部又是调用的reload方法加载的字典,继续跟踪至reload方法,
内部通过loadDic去加载words和chars两个字典文件,通过loadUnit方法去加载units字典文件,wordsLastTime是用来存放每个字典文件的最后一次修改时间,引入这个map的目的是为了实现字典文件重新加载,通过字典文件的最后一次修改时间来判定文件是否修改过,如果这个map里不存在某字典文件的最后一次修改时间,则表明该字典文件是新加入的,需要重新加载至内存,这是loadDic方法的源码:
private Map<Character, CharNode> loadDic(File wordsPath) throws IOException { InputStream charsIn = null; File charsFile = new File(wordsPath, "chars.dic"); if(charsFile.exists()) { charsIn = new FileInputStream(charsFile); addLastTime(charsFile); //chars.dic 也检测是否变更 } else { //从 jar 里加载 charsIn = this.getClass().getResourceAsStream("/data/chars.dic"); charsFile = new File(this.getClass().getResource("/data/chars.dic").getFile()); //only for log } final Map<Character, CharNode> dic = new HashMap<Character, CharNode>(); int lineNum = 0; long s = now(); long ss = s; lineNum = load(charsIn, new FileLoading() { //单个字的 public void row(String line, int n) { if(line.length() < 1) { return; } String[] w = line.split(" "); CharNode cn = new CharNode(); switch(w.length) { case 2: try { cn.setFreq((int)(Math.log(Integer.parseInt(w[1]))*100));//字频计算出自由度 } catch(NumberFormatException e) { //eat... } case 1: dic.put(w[0].charAt(0), cn); } } }); log.info("chars loaded time="+(now()-s)+"ms, line="+lineNum+", on file="+charsFile); //try load words.dic in jar InputStream wordsDicIn = this.getClass().getResourceAsStream("/data/words.dic"); if(wordsDicIn != null) { File wordsDic = new File(this.getClass().getResource("/data/words.dic").getFile()); loadWord(wordsDicIn, dic, wordsDic); } File[] words = listWordsFiles(); //只要 wordsXXX.dic的文件 if(words != null) { //扩展词库目录 for(File wordsFile : words) { loadWord(new FileInputStream(wordsFile), dic, wordsFile); addLastTime(wordsFile); //用于检测是否修改 } } log.info("load all dic use time="+(now()-ss)+"ms"); return dic; }
大致逻辑就是先加载chars.dic再加载words.dic,最后加载用户自定义字典文件,注意用户自定义字典文件命名需要以words开头且文件名后缀必须为.dic,查找所有用户自定义字典文件是这句代码:
File[] words = listWordsFiles();
注意:dicPath.listFiles表示查找dicPath目录下所有文件,dicPath即我们的words.dic字典文件的所在路径,而重载的accept的意思我想大家都懂的,关键点我用红色方框标注出来了,这句代码意思就是查找words.dic字典文件所在文件夹下的以words开头的dic字典文件,包含子文件夹里的字典文件(即递归查找,你懂的)。看到这里,我想至于如何自定义用户自定义字典文件,大家都不言自明了。为了照顾小白,我还是说清楚点吧,自定义用户字典文件方法步骤如下:
如果你想把屌丝,高富帅 当作一个词,那你首先需要新建一个.dic文件,注意dic文件必须是无BOM的UTF-8编码的文件(切记!!!!!!),且自定义字典文件命名需要符合上面说过的那种固定格式,不知道的请看上面那张图,看仔细点,然后一行一个词,你懂的,然后把你自定义的字典文件复制到classPath下的data文件夹下,如果你是简单的Java project,那么就在src下新建一个data包,然后 把你自定义字典文件copy到data包下,如果你是Maven Project,那就在src/main/sources包下新建一个package 名字叫data,同理把你自定义字典文件复制到data包下即可。这样你的自定义词就能被分词器正确切分啦!
mmseg4j就说这么多了吧,mmseg4j我修改过的最新源码上面有贴出百度网盘下载地址,自己去下载,jar包在target目录下,如图:
从我提供的下载地址下载的最新源码包里有打包好的jar包,如图去找就行了,当然为了方便你们,我待会儿也会在底下的附件里将打包的jar包上传上去。
OK,打完收工!!!!如果你还有什么问题,请QQ上联系我(QQ:7-3-6-0-3-1-3-0-5),或者加我的Java技术群跟我们一起交流学习,我会非常的欢迎的。群号:
相关推荐
本篇文章将带你深入学习如何在Solr5中集成并使用MMSeg4J分词器,提升中文处理能力。 首先,我们来了解一下MMSeg4J。这是一个高效、灵活的Java实现的中文分词库,它采用了基于词频的动态最大匹配算法(MaxMatch),...
在com.chenlb.mmseg4j.analysis包里扩展lucene analyzer。 MMSegAnalyzer默认使用max-word方式分词(还有:ComplexAnalyzer, SimplexAnalyzer, MaxWordAnalyzer)。
本话题将深入探讨四种常用的Java分词工具:word分词器、ansj分词器、mmseg4j分词器以及ik-analyzer,以及它们在实际应用中的效果评估。 首先,ansj分词器是由李弄潮开发的一款开源分词工具,它具有强大的词典支持和...
5. **API使用**:在Solr中集成mmseg4j,需要配置Solr的schema.xml和solrconfig.xml文件,设置分析器和过滤器链。同时,开发者可能需要了解mmseg4j提供的API,以便自定义分词规则或进行特殊需求的处理。 6. **性能...
5. **扩展性**:mmseg4j还提供了与jieba分词、SmartChineseAnalyzer等其他分词工具的对比功能,这有助于用户根据实际需求选择最合适的分词方案。此外,mmseg4j还可以与其他自然语言处理组件(如词性标注、命名实体...
然而,在处理中文分词时,Lucene原生的分词器可能无法满足复杂的中文语境需求,这时就需要引入第三方分词工具,如MMSEG4J。本文将深入探讨如何在Lucene项目中整合MMSEG4J,并提供一个实际的项目实例作为参考。 一、...
总的来说,MMseg4j中文分词词库是实现高质量中文分词的关键资源,它结合了搜狗词库的丰富词汇和MMseg4j的高效算法,为Lucene和Solr提供了强大的中文处理能力。正确地配置和使用词库,能够显著提升文本检索的准确性和...
它使得mmseg4j可以集成到Solr中,作为Solr的分词器使用,让Solr具备了处理中文分词的能力。需要注意的是,不同版本的mmseg4j-solr插件需要与对应的Solr版本相匹配,以确保稳定性和兼容性。在Solr5.2.1这样的较新版本...
**mmseg4j 2.3 Jar包:Lucene中文分词器详解** 在中文信息处理领域,分词是至关重要的第一步,它涉及到文本的预处理、搜索索引的构建以及信息检索等多个环节。mmseg4j是一款针对Java平台设计的高效、灵活的中文分词...
《中文分词器mmseg4j与Lucene5.x整合详解及源码解析》 中文分词是自然语言处理中的重要一环,尤其在中文文本分析、信息检索、机器翻译等领域有着广泛的应用。mmseg4j是一款高效、灵活的Java实现的中文分词工具,而...
《mmseg4j在Lucene中文分词中的应用与实现》 在中文信息处理领域,分词是至关重要的一步,它决定了后续文本分析的准确性和效率。mmseg4j是Java环境下广泛使用的中文分词库,尤其在搜索引擎构建和文本挖掘中发挥着...
4. **配置schema.xml**:在Solr的schema.xml文件中,为需要进行分词的字段指定mmseg4j分词器。例如: ``` <fieldType name="text_mmseg" class="solr.TextField" positionIncrementGap="100"> ...
1. **安装与配置**:将mmseg4j-solr-2.2.0的jar包添加到Solr的lib目录下,然后在Solr的schema.xml中配置分词器,指定使用mmseg4j-solr的分词算法。 2. **定制词典**:mmseg4j-solr允许用户自定义词典,以适应特定...
本文将深入探讨基于Lucene的四种中文分词器:Paoding、IK、Imdict和Mmseg4j,它们都是针对Java开发的高效、开源的中文分词工具。 1. Paoding(庖丁)分词器: Paoding是一款高性能的中文分词器,设计目标是提供...
mmseg4j用Chih-Hao Tsai 的MMSeg算法实现的中文分词器,并实现lucene的analyzer和solr的TokenizerFactory以方便在Lucene和Solr中使用。 MMSeg 算法有两种分词方法:Simple和Complex,都是基于正向最大匹配。Complex...
**mmseg4j-1.9.1** 是一个基于Java实现的中文分词库,它的出现是为了满足在Java环境中进行高效、精准的中文文本分词需求。在自然语言处理领域,分词是预处理阶段的关键步骤,它将连续的汉字序列切割成具有语义的词汇...
能兼容solr-4.10.2的分词器,大礼包...包括IK分词器,mmseg4j分词器,庖丁分词器.都是经本人测试可用,其中mmseg4j与庖丁都是下载源码,修改重编译并测试生成的.希望大家喜欢.至于与solr的整合方式,网上很多,这里就不介绍了.
提到的两个分词器,mmseg4j 和 IKAnalyzer,都是为中文处理设计的。 1. **mmseg4j** 是一款由 Java 实现的中文分词库,它采用了 MaxMatch(最大匹配)算法。mmseg4j 提供了多种分词模式,如简短模式、精确模式、全...
**mmseg4j-1.8.5** 是一个针对Lucene搜索引擎的中文分词库,主要用于提升中文信息处理的效率和准确性。该版本与Lucene 3.1版本兼容,意味着它可以在基于Lucene 3.1构建的信息检索系统中无缝集成,提供高效的中文分词...
mmseg4j 2.3 源码 Lucene 中文分词器