发布IK Analyzer 3.0 中文分词器

linliangyi2007

浏览: 1012689 次
性别:
来自: 福州

最近访客更多访客>>

anyitzy

pos3721

ymgjava

winco304

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

程序人生

lucene Java SVN 算法 Eclipse

最新：IKAnalyzer3.2.3稳定版已经发布，支持Lucene3.0和solr1.4
链接：http://www.iteye.com/topic/667095

lucene 2.9以前用户请使用 IKAnalyzer V3.1.6GAhttp://linliangyi2007.iteye.com/blog/512577

IK Analyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始， IKAnalyzer已经推出了3个大版本。最初，它是以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。新版本的IK Analyzer 3.0则发展为面向Java的公用分词组件，独立于Lucene项目，同时提供了对Lucene的默认优化实现。

1.1 IK Analyzer 3.0结构设计

1.2 IK Analyzer 3.0特性

采用了特有的“正向迭代最细粒度切分算法“，具有80万字/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。
优化的词典存储，更小的内存占用。支持用户词典扩展定义
针对Lucene全文检索优化的查询分析器IKQueryParser(作者吐血推荐)；采用歧义分析算法优化查询关键字的搜索排列组合，能极大的提高Lucene检索的命中率。

1.3 分词效果示例

文本原文1:
IK-Analyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始， IKAnalyzer已经推出了3个大版本。
分词结果:
ik-analyzer | 是 | 一个 | 一 | 个 | 开源 | 的 | 基于 | java | 语言 | 开发 | 的 | 轻量级 | 量级 | 的 | 中文 | 分词 | 工具包 | 工具 | 从 | 2006 | 年 | 12 | 月 | 推出 | 1.0 | 版 | 开始 | ikanalyzer | 已经 | 推出 | 出了 | 3 | 个大 | 个 | 版本

文本原文2:
永和服装饰品有限公司
分词结果:
永和 | 和服 | 服装 | 装饰品 | 装饰 | 饰品 | 有限 | 公司

文本原文3:
作者博客：linliangyi2007.iteye.com 电子邮件：linliangyi2005@gmail.com
分词结果:
作者 | 博客 | linliangyi2007.iteye.com | 2007 | 电子邮件 | 电子 | 邮件 | 地址 | linliangyi2005@gmail.com | 2005

2.使用指南

2.1下载地址
GoogleCode开源项目：http://code.google.com/p/ik-analyzer/
GoogleCode SVN下载：http://ik-analyzer.googlecode.com/svn/trunk/

2.2安装部署
IK Analyzer安装包包含：
1. 《IKAnalyzer中文分词器V3.0使用手册》（即本文档）
2. IKAnalyzer3.0GA.jar
3. IKAnalyzer.cfg.xml
它的安装部署十分简单，将IKAnalyzer3.0GA.jar部署于项目的lib目录中；IKAnalyzer.cfg.xml文件放置在代码根目录（对于web项目，通常是WEB-INF/classes目录，同hibernate、log4j等配置文件相同）下即可。

2.3 Lucene用户快速入门

代码样例

/**
 * IK Analyzer Demo
 * @param args
 */
import java.io.IOException;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.CorruptIndexException;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TopDocs;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.LockObtainFailedException;
import org.apache.lucene.store.RAMDirectory;
//引用IKAnalyzer3.0的类
import org.wltea.analyzer.lucene.IKAnalyzer;
import org.wltea.analyzer.lucene.IKQueryParser;
import org.wltea.analyzer.lucene.IKSimilarity;

/**
 * @author linly
 *
 */
public class IKAnalyzerDemo {
	
	public static void main(String[] args){
		//Lucene Document的域名
		String fieldName = "text";
		 //检索内容
		String text = "IK Analyzer是一个结合词典分词和文法分词的中文分词开源工具包。它使用了全新的正向迭代最细粒度切分算法。";
		
		//实例化IKAnalyzer分词器
		Analyzer analyzer = new IKAnalyzer();
	 
		
		Directory directory = null;
		IndexWriter iwriter = null;
		IndexSearcher isearcher = null;
		try {
			//建立内存索引对象
			directory = new RAMDirectory();	 
			iwriter = new IndexWriter(directory, analyzer, true , IndexWriter.MaxFieldLength.LIMITED);
			Document doc = new Document();
			doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.ANALYZED));
			iwriter.addDocument(doc);
			iwriter.close();
			
		    //实例化搜索器   
			isearcher = new IndexSearcher(directory);			
			//在索引器中使用IKSimilarity相似度评估器
			isearcher.setSimilarity(new IKSimilarity());
			
			String keyword = "中文分词工具包";
			
			//使用IKQueryParser查询分析器构造Query对象
			Query query = IKQueryParser.parse(fieldName, keyword);
			
			//搜索相似度最高的5条记录
			TopDocs topDocs = isearcher.search(query , 5);
			System.out.println("命中：" + topDocs.totalHits);
			//输出结果
			ScoreDoc[] scoreDocs = topDocs.scoreDocs;
			for (int i = 0; i < topDocs.totalHits; i++){
				Document targetDoc = isearcher.doc(scoreDocs[i].doc);
				System.out.println("内容：" + targetDoc.toString());
			}			
			
		} catch (CorruptIndexException e) {
			e.printStackTrace();
		} catch (LockObtainFailedException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		} finally{
			if(isearcher != null){
				try {
					isearcher.close();
				} catch (IOException e) {
					e.printStackTrace();
				}
			}
			if(directory != null){
				try {
					directory.close();
				} catch (IOException e) {
					e.printStackTrace();
				}
			}
		}
	}
}

执行结果：
命中：1
内容：Document<stored/uncompressed,indexed,tokenized<text:IK Analyzer是一个结合词典分词和文法分词的中文分词开源工具包。它使用了全新的正向迭代最细粒度切分算法。>>

2.4 关键API说明

 类org.wltea.analyzer.lucene.IKAnalyzer
说明：IK分词器的主类，是IK分词器的Lucene Analyzer类实现。
该类使用方法请参考 “代码样例”章节

 类org.wltea.analyzer.lucene.IKQueryParser
 public static Query parse(String field , String query) throws IOException
说明：单条件,单Field查询分析
参数1 ：String field, 查询的目标域名称
参数2 ：String query , 查询的关键字
返回值：构造一个单条件,单Field查询器

 public static Query parseMultiField(String[] fields , String query) throws IOException
说明：多Field,单条件查询分析
参数1 ：String[] fields, 多个查询的目标域名称的数组
参数2 ：String query , 查询的关键字
返回值：构造一个多Field,单条件的查询器

 public static Query parseMultiField(String[] fields , String query , BooleanClause.Occur[] flags) throws IOException
说明：多Field,单条件,多Occur查询分析
参数1 ：String[] fields, 多个查询的目标域名称的数组
参数2 ：String query , 查询的关键字
参数3 ：BooleanClause.Occur[] flags ，查询条件的组合方式（Or/And）
返回值：构造一个多Field,单条件,多Occur的查询器

 public static Query parseMultiField(String[] fields , String[] queries) throws IOException
说明：多Field，多条件查询分析
参数1 ：String[] fields, 多个查询的目标域名称的数组
参数2 ：String[] queries , 对应多个查询域的关键字数组
返回值：构造一个多Field，多条件的查询器

 public static Query parseMultiField(String[] fields , String[] queries , BooleanClause.Occur[] flags) throws IOException
说明：多Field,多条件,多Occur查询
参数1 ：String[] fields, 多个查询的目标域名称的数组
参数2 ：String[] queries , 对应多个查询域的关键字数组
参数3 ：BooleanClause.Occur[] flags ，查询条件的组合方式（Or/And）
返回值：构造一个多Field, 多条件, 多Occur的查询器

 类org.wltea.analyzer.lucene.IKSimilarity
说明： IKAnalyzer 的相似度评估器。该类重载了DefaultSimilarity的coord方法，提高词元命中个数在相似度比较中的权重影响，即，当有多个词元得到匹配时，文档的相似度将提高。
该类使用方法请参考 “代码样例”章节

 类org.wltea.analyzer.IKSegmentation
说明：这是IK分词器的核心类。它是真正意义上的分词器实现。IKAnalyzer的3.0版本有别于之前的版本，它是一个可以独立于Lucene的Java分词器实现。当您需要在Lucene以外的环境中单独使用IK中文分词组件时，IKSegmentation正是您要找的。
 public Lexeme next() throws IOException
说明：读取分词器切分出的下一个语义单元，如果返回null，表示分词器已经结束。
返回值：Lexeme 语义单元对象，即相当于Lucene的词元对象Token

 类org.wltea.analyzer.Lexeme
说明：这是IK分词器的语义单元对象，相当于Lucene中的Token词元对象。由于3.0版本被设计为独立于Lucene的Java分词器实现，因此它需要Lexeme来代表分词的结果。
 public int getBeginPosition()
说明：获取语义单元的起始字符在文本中的位置
返回值：int ，语义单元相对于文本的绝对起始位置

 public int getEndPosition()
说明：获取语义单元的结束字符的下一个位置
返回值：int ，语义单元相对于文本的绝对终止位置的下一个字符位置

 public int getLength()
说明：获取语义单元包含字符串的长度
返回值：int ，语义单元长度 = getEndPosition – getBeginPosition

 public String getLexemeText()
说明：获取语义单元包含字符串内容
返回值：String，语义单元的实际内容，即分词的结果

3.词表扩展

目前，IK分词器自带的主词典拥有22万左右的汉语单词量。由于作者个人的精力有限，并没有对搜集到的词库进行全范围的筛选、清理。此外，对于分词组件应用场景所涉及的领域的不同，也需要各类专业词库的支持。为此，IK分词器提供了对词典的扩充支持。

基于API的词典扩充
IK分词器支持使用API编程模型扩充您的词典。如果您的词典是存储与数据库中，这个方式应该对您适用。API如下：

 类org.wltea.analyzer.dic.Dictionary
说明： IK分词器的词典对象。它负责中文词汇的加载，内存管理和匹配检索。
 public static void loadExtendWords(List<String> extWords)
说明：加载用户扩展的词汇列表到IK的主词典中，增加分词器的可识别词语。
参数1：List<String> extWords ，扩展的词汇列表
返回值：无

3.2基于配置的词典扩充
IK分词器还支持通过配置IKAnalyzer.cfg.xml文件来扩充您的专有词典。

1. 部署IKAnalyzer.cfg.xml
IKAnalyzer.cfg.xml部署在代码根目录下（对于web项目，通常是WEB-INF/classes目录）同hibernate、log4j等配置文件相同。

2. 词典文件的编辑与部署
分词器的词典文件格式是无BOM的UTF-8编码的中文文本文件，文件扩展名不限。词典中，每个中文词汇独立占一行，使用\r\n的DOS方式换行。（注，如果您不了解什么是无BOM的UTF-8格式，请保证您的词典使用UTF-8存储，并在文件的头部添加一空行）。您可以参考分词器源码org.wltea.analyzer.dic包下的.dic文件。

词典文件应部署在Java的资源路径下，即ClassLoader能够加载的路径中。（推荐同IKAnalyzer.cfg.xml放在一起）

3. IKAnalyzer.cfg.xml文件的配置

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">  
<properties>  
	<comment>IK Analyzer 扩展配置</comment>
	<!--用户可以在这里配置自己的扩展字典-->
	<entry key="ext_dict">/mydict.dic ; /mypack/mydict2.dic ; /com/mycompany/dic/mydict3.dic ;</entry> 
</properties>

在配置文件中，用户可一次配置多个词典文件。文件名使用“;”号分隔。文件路径为相对java包的起始根路径。

（全文终）

下载：IKAnalyzer3.1.1稳定版完整包.rar

更多详细请参看《IKAnalyzer中文分词器V3.1.1使用手册.pdf》

分享到：

分享IKAnalyzer 3.0 中文分词器 | TIPS - ORACLE翻页

2009-07-21 13:09
浏览 42187
评论(136)
论坛回复 / 浏览 (127 / 66076)
分类:编程语言
查看更多

136 楼 hustszh 2013-09-11

hustszh 写道

楼主的分词器好强大啊！效果比较理想。

不过我有个疑问，我使用智能切分方式对“我来自中国广东”这句话进行分词时，得到的结果是：
[我][来自][中国广东]

“中国广东”无法分成[中国][广东]，即使我在扩展词库中添加了“中国”和“广东”。

请问楼主，这种现象正常吗？

如果要达到[中国][广东]的效果，我需要做哪方面的配置？谢谢。

我使用的版本是2012_u6。

135 楼 hustszh 2013-09-11

134 楼 kisachen 2013-08-26

    大神，你好。我最近刚刚接触lucene。对于最后得分排序的问题很是头疼。原来用的分词器是lucene自带的StandardAnalyzer，这样导致的问题是“王大平”和“王大平33066”这样的得分是一样，会按照doc排序，与需求不符。然后我采用了大神您的分词器。在词库里有“王大平”和“大平”，这样的出来的得分“王大平”要高于“王大平33066”。
    后来，我在字典里加了一个字“平”，这样得出的结果“王大平”和“王大平33066”的得分又是一样的了。拜托大神指点迷津！
    上面的“王大平”里的‘大’其实是‘小’，只不过‘小*平’不让发表...
    拜谢啊！

133 楼 307622798 2012-11-20

java.lang.VerifyError:class org.wltea.analyzer.lucene.IKAnalyzer overrides final method tokenStream.
在我这儿怎么报这样的异常呢？我用的是lucene4.0
说重写了一个final方法

132 楼 liweijing 2012-10-02

为什么我按照使用文档配置后出现下面错误：collection1: org.apache.solr.common.SolrException:org.apache.solr.common.SolrException: Plugin init failure for [schema.xml] fieldType "text_cn": Cannot load analyzer: org.wltea.analyzer.lucene.IKAnalyzer。
我使用的是Solr4.0 IKAnalyzer3.2。

131 楼 linliangyi2007 2011-10-27

lydialmr120 写道

楼主好人啊，能事也解答下我的问题

下面是我测试的文本和分词结果：

昨天村支书赵永来电说家里的母猪生了4头小猪

昨天|村支书|赵|永|来电|说|家里|母猪|生了|4|头|小猪

主要问题是为什么人名（赵永）和量词（4头）没有正确的分出来呢

无论如何，先感谢楼主

人名和数量词，IK采用单字切分，这样做的好处是，用户可以用“2000”搜索到“2000年”；用“德华”搜索到“刘德华”，如果合并输出就搜索不到了，这个你懂得

130 楼 lydialmr120 2011-10-27

129 楼 luojihaidao 2010-07-09

支持个~~~

128 楼 wwty 2010-07-09

呵呵，一个帖子看下来，学习到很多东西，楼主发布源码，同时还这么尽力的回答问题，人品没得说。使用ing

127 楼 linliangyi2007 2010-06-02

qiuwei1003 写道

大虾，咨询一下：lucene3.0.1和IKAnalyzer3.2.3Stable或IKAnalyzer3.2.0Stable一起用搜索时报java.lang.ClassNotFoundException: org.wltea.analyzer.lucene.IKQueryParser。JDK1.6

很可能是你吧停止词典放错路径了，在src目录下没有ext_stopword.dic这个文件。

如果你不需要这个词库，应该修改IKAnalyzer.cfg.xml把其中相关配置注释掉

126 楼 qiuwei1003 2010-06-02

大虾，咨询一下：lucene3.0.1和IKAnalyzer3.2.3Stable或IKAnalyzer3.2.0Stable一起用搜索时报java.lang.ClassNotFoundException: org.wltea.analyzer.lucene.IKQueryParser。JDK1.6

125 楼 yin_bp 2010-05-13

严重支持，最近准备改造和升级自己开发的一套cms系统搜索引擎，呵呵

124 楼 cqcya 2010-05-05

收藏，学习

123 楼 hellojinjie 2010-05-05

毕设用到这个.///. 不知道在写参考文献的时候是不是可以把这个贴子的网址写上去...

122 楼 linliangyi2007 2010-02-28

luocanrao 写道

能不能给你提出一些优化点，我再使用过程中又些地方不方便
怎样才能方便联系到你

mail: linliangyi2005@gmail.com
QQ : 36668534
欢迎提出你的建议和意见

121 楼 luocanrao 2010-02-28

能不能给你提出一些优化点，我再使用过程中又些地方不方便
怎样才能方便联系到你

120 楼 MultiArrow 2010-02-27

linliangyi2007 写道

MultiArrow 写道

linliangyi2007 写道

kexzcle 写道

请问，IK词典的配置问题，IKAnalyzer.cfg.xml 放在哪里都无所谓是么?

里面配置 /ext_stopwords.dic

那IKAnalyzer.cfg.xml 放在src/

同样ext_stopwords.dic 也放到src/ 下..我试了下没有作用呢，停止词！是否配置错误?

IKAnalyzer.cfg.xml可以放在src下，ext_stopwords.dic则是根据你在cfg中的配置位置来放置，请参考使用文档，里面都有详细的描述了。

我也有这个问题,文档看过了,而且在加载的时候控制台可以看到已经加载了IKAnalyzer.cfg.xml,IKAnalyzer.cfg.xml和ext_stopwords.dic是在同一文件夹中。但是搜索的时候还是没有过滤到ext_stopwords.dic出现过的字。
补充一下：我使用的是SSH。

1。确认你的词典文件的位置确实正确，经常发生扩展词典文件没有被MyEclipse发布到AppServer的运行目录下的情况。
2.确认词典文件的编码是无BOM的UTF-8方式的。

试了N次了，还是不行，决定改用数据库存放扩展的词汇，然后用IK的API加载到内存中。

119 楼 linliangyi2007 2010-02-26

MultiArrow 写道

linliangyi2007 写道

kexzcle 写道

IKAnalyzer.cfg.xml可以放在src下，ext_stopwords.dic则是根据你在cfg中的配置位置来放置，请参考使用文档，里面都有详细的描述了。

118 楼 MultiArrow 2010-02-26

linliangyi2007 写道

kexzcle 写道

IKAnalyzer.cfg.xml可以放在src下，ext_stopwords.dic则是根据你在cfg中的配置位置来放置，请参考使用文档，里面都有详细的描述了。

117 楼 linliangyi2007 2010-02-09

kexzcle 写道

IKAnalyzer.cfg.xml可以放在src下，ext_stopwords.dic则是根据你在cfg中的配置位置来放置，请参考使用文档，里面都有详细的描述了。

« 上一页 1 2 3 … 6 7 下一页 »

发表评论

您还没有登录,请您登录后再发表评论

最近访客更多访客>>

博主相关

文章分类

社区版块

存档分类

最新评论