发布IKAnalyzer中文分词器V3.1.6GA

linliangyi2007

浏览: 1012494 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

应用服务器 lucene 全文检索 Apache Tomcat

IKAnalyzer3.2.0稳定版已经发布，支持Lucene3.0和solr1.4
链接：http://www.iteye.com/topic/542987

V3.1.1GA -- V3.1.5GA 版本变更一览

1.添加“正向最大切分算法”。
2.完善IK Analyzer对solr1.3版本的集成支持
3.改进对文件名、邮件地址、英文数字混合字串的切分算法
4.新增对停止词（stopword）的自定义扩展
5.支持对JDK1.5的版本的集成

V3.1.6GA版本变更：
新增IK Analyzer对solr1.4版本的集成支持

1.新增org.wltea.analyzer.solr.IKTokenizerFactory14，支持solr1.4的TokenizerFactory接口配置

 类org.wltea.analyzer.solr.IKTokenizerFactory14
说明：该类继承与solr1.4的BaseTokenizerFactory，是IK分词器对solr1.4项目TokenizerFactory接口的扩展实现。从版本V3.1.6起。
属性：isMaxWordLength。该属性决定分词器是否采用最大词语切分。

solr1.4配置样例
使用IKAnalyzer的配置

<schema name="example" version="1.1">
……
<fieldType name="text" class="solr.TextField">
      <analyzer class="org.wltea.analyzer.lucene.IKAnalyzer"/>
</fieldType>
……
</schema>

使用IKTokenizerFactory14的配置

<fieldType name="text" class="solr.TextField" >
	<analyzer type="index">
		<tokenizer class="org.wltea.analyzer.solr.IKTokenizerFactory14" isMaxWordLength="false"/>
……

	</analyzer>
	<analyzer type="query">
		<tokenizer class="org.wltea.analyzer.solr.IKTokenizerFactory14" isMaxWordLength="true"/>
	……
	</analyzer>
</fieldType>

下载：IKAnalyzer3.1.6GA完整包

更多详细请参看《IKAnalyzer中文分词器V3.1.6使用手册》

分享到：

ActiveMQ 5.X 与 Tomcat 集成一（JNDI部署 ... | 设计模式感悟

2009-11-08 23:10
浏览 11852
评论(33)
论坛回复 / 浏览 (30 / 14184)
查看更多

33 楼 zdb_cn 2014-06-03

不能和数字一起分组，太伤了，啥时候能解决这个问题呢

32 楼 liuyu_it 2012-05-21

我有个问题想要请教下 SOLR 用DATAIMPORT索引数据库时我的字段是CLOB，为什么有的数据可以索引,有的就会报异常啊 ArrayIndexOutOfBoundsException，里面包含HTML标签

31 楼 hs798630734 2010-11-04

林老师，您好！我是一个刚接触lucene的java程序员，最近在用您的IKAnalyzer。遇到了些问题，希望您能帮我解答下：
Query query = IKQueryParser.parseMultiField(new String[]{"name","content"}, searchWord);//按文件名搜索
// 搜索相似度最高的5条记录
TopDocs topDocs= indexSearcher.search(query, 5);
报一个这样的异常：java.lang.ArrayIndexOutOfBoundsException: 5

就是搜索相似度最高的5条记录，记录数怎么大于5条了啊？由于刚接触，所以希望您能帮忙解答，谢谢您

30 楼 guava 2010-08-11

/**
* 向分词结果集添加词元
* @param lexeme
*/
public void addLexeme(Lexeme lexeme){
if(!Dictionary.isStopWord(segmentBuff , lexeme.getBegin() , lexeme.getLength())){
if(lexeme.getLength()>1 && lexeme.getLexemeType()==0){
this.lexemeSet.addLexeme(lexeme);
}

}
}

作了这样的修改 ok了谢谢

29 楼 linliangyi2007 2010-08-10

guava 写道

在使用中有几个问题请老师在百忙中回答一下
1 我在mydict.dic里面写了 “7仔”这个词，分词分不出来，是不是因为数字和文字混在一起就不行啊？（其他自定义的词是可以的）
2 如果我想分出来的词，都是长度为2以上的，怎么做呢？
3 我代码里写了
Analyzer analyzer = new IKAnalyzer();
this.iwriter = new IndexWriter(indexDir,analyzer ,true , IndexWriter.MaxFieldLength.UNLIMITED);
那怎么获取到 IKSegmentation ikSeg
因为我想根据切分出来的Lexeme的Type来判断是否只是TYPE_CJK_NORMAL
因为我只需要把这个类型的词进行索引

另外提醒你，如果可以尽可能升级Lucene到3.0并下载Ik Analyzer 3.2.3版本

28 楼 linliangyi2007 2010-08-10

guava 写道

1.词典只能处理全中文的词汇，对于数字型字符，会被分配到数字切分器处理，无法进入中文切分过程

2/3综合两个问题，我想你的需求是仅需要对词典包含的词进行切分，那么你可以修改源码， org.wltea.analyzer.cfg.Configuration类中的public static List<ISegmenter> loadSegmenter()方法，移除其中的QuantifierSegmenter和LetterSegmenter子分词器
另外，修改org.wltea.analyzer.Context中的addLexeme方法，过滤长度小于2的词语，只添加Type为TYPE_CJK_NORMAL的词元

27 楼 guava 2010-08-10

26 楼 linliangyi2007 2010-02-24

huangfox 写道

请问
对 “玩具汽车” 进行分词被分成： “玩具”和“汽车”
但是检索需求查“车”也能够检索出玩具汽车
请问是否可以将“玩具汽车”
分成：
玩
具
汽
车
玩具
汽车
即：第一按字分；第二按词分。

若是要改源代码，怎么处理呢？
ps：对分词源码还没有读过呢~

你可以加一个简单的单字切分的子分词器到IK中，实现IK的ISegmenter接口，并修改Configuration中的loadSegmenter方法。
同时必须使用IKAnalyzer(false)方式构造分词器，这样不会过滤重叠的单字切分。

25 楼 jacky2007 2009-12-03

linliangyi2007 写道

jacky2007 写道

lucene3.0下出现以下错误

Exception in thread "main" java.lang.AbstractMethodError: org.apache.lucene.analysis.TokenStream.incrementToken()Z
at org.apache.lucene.index.DocInverterPerField.processFields(DocInverterPerField.java:137)
at org.apache.lucene.index.DocFieldProcessorPerThread.processDocument(DocFieldProcessorPerThread.java:246)
at org.apache.lucene.index.DocumentsWriter.updateDocument(DocumentsWriter.java:773)
at org.apache.lucene.index.DocumentsWriter.addDocument(DocumentsWriter.java:751)
at org.apache.lucene.index.IndexWriter.addDocument(IndexWriter.java:1928)
at org.apache.lucene.index.IndexWriter.addDocument(IndexWriter.java:1902)
at IKAnalyzerDemo.main(IKAnalyzerDemo.java:43)

IK3.1.6GA不支持Lucene3.0版本，原因是Lucene3.0完全改变了先前版本的analysis部分的API。在lucene2.9开始，已经声明要废除旧API，不过做了兼容处理，到了3.0则彻底删除了。

为此IK Analyzer将在下周一份发布 3.2.0版本，新版本将全面跟随lucene3.0的升级。新版本会支持lucene2.9 - lucene3.0 以及 solr1.4 ，但不再对lucene2.4的API支持。

目前3.2.0版本已经在测试阶段，您可以留下email，提前获取新版本体验。谢谢

谢谢回复.
email:ccx1999#163.com(请把#换成@)

24 楼 linliangyi2007 2009-12-03

jacky2007 写道

23 楼 jacky2007 2009-12-03

22 楼 jacky2007 2009-12-03

在lucene3.0下使用会有错误的？

21 楼 piziwang 2009-12-01

linliangyi2007 写道

piziwang 写道

删除原有的主词典岂不是其他地方的lucene+IKanalyzer全文检索就无法使用了啊？

替换IK的词典，会不会影响到内存中已经加载的IK词典？？

这个也是一个问题，是会影响的。如果你既要全部的词典，又要个性化关键字，那你只能自己在分词后进行二次匹配，来决定那些词要留了。

也只能对分词后的结果再次进行二次匹配了。
谢谢您啊！呵呵

顺便问一句：网上很多论坛帖子的标签Tag是如何生成的啊？？

20 楼 linliangyi2007 2009-12-01

piziwang 写道

删除原有的主词典岂不是其他地方的lucene+IKanalyzer全文检索就无法使用了啊？

替换IK的词典，会不会影响到内存中已经加载的IK词典？？

这个也是一个问题，是会影响的。如果你既要全部的词典，又要个性化关键字，那你只能自己在分词后进行二次匹配，来决定那些词要留了。

19 楼 piziwang 2009-12-01

linliangyi2007 写道

piziwang 写道

林老师，请教你一个问题：
我最近在使用你的 IKAnalyzer，我一个需求：提取关键词标签。（从一个标题中抽取有意义的标签Tag）

例如，标题： “从全文检索的数据分析来看，https数据不正确，无法还原数据。”

标题中“全文检索”、“https”、“还原” 是有意义的标签 Tag。

我使用 IKAnalyzer 对上面的标题进行分词，如何抽取出上面的标签Tag，其余的词语全部丢掉？？

比如，我定义了一个词典，里面存放我们认为有意义的标签 Tag，根据这个标签词典进行标题内容的标签Tag抽取？

myTag.dict
全文
https
还原
手机报警
电信扩容
信息碰撞
关系图
......

如果你需要信息抽取，你可以尝试使用IKSegmentation进行分词，并使用自定义的词典代替IK的词典（换句话说，删除原有的主词典）。
程序如下：

List<String> testStr = new ArrayList<String>(); 
testStr.add("IKAnalyzer 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。"); 
 
for(String t : testStr){
System.out.println(t); 
IKSegmentation ikSeg = new IKSegmentation(new StringReader(t) , false);
try {
Lexeme l = null;
while( (l = ikSeg.next()) != null){
System.out.println(l);
}
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
System.out.println("***************"); 
}

再根据切分出来的Lexeme的Type来判断是不是词典中的词，以下是Type的分类。

	//lexemeType常量
	//普通词元
	public static final int TYPE_CJK_NORMAL = 0;
	//姓氏
	public static final int TYPE_CJK_SN = 1;
	//尾缀
	public static final int TYPE_CJK_SF = 2;
	//未知的
	public static final int TYPE_CJK_UNKNOWN = 3;
	//数词
	public static final int TYPE_NUM = 10;
	//量词
	public static final int TYPE_NUMCOUNT = 11;
	//英文
	public static final int TYPE_LETTER = 20;

"如果你需要信息抽取，你可以尝试使用IKSegmentation进行分词，并使用自定义的词典代替IK的词典（换句话说，删除原有的主词典）。"

删除原有的主词典岂不是其他地方的lucene+IKanalyzer全文检索就无法使用了啊？

替换IK的词典，会不会影响到内存中已经加载的IK词典？？

18 楼 linliangyi2007 2009-12-01

piziwang 写道

如果你需要信息抽取，你可以尝试使用IKSegmentation进行分词，并使用自定义的词典代替IK的词典（换句话说，删除原有的主词典）。
程序如下：

List<String> testStr = new ArrayList<String>(); 
testStr.add("IKAnalyzer 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。"); 
 
for(String t : testStr){
System.out.println(t); 
IKSegmentation ikSeg = new IKSegmentation(new StringReader(t) , false);
try {
Lexeme l = null;
while( (l = ikSeg.next()) != null){
System.out.println(l);
}
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
System.out.println("***************"); 
}

再根据切分出来的Lexeme的Type来判断是不是词典中的词，以下是Type的分类。

	//lexemeType常量
	//普通词元
	public static final int TYPE_CJK_NORMAL = 0;
	//姓氏
	public static final int TYPE_CJK_SN = 1;
	//尾缀
	public static final int TYPE_CJK_SF = 2;
	//未知的
	public static final int TYPE_CJK_UNKNOWN = 3;
	//数词
	public static final int TYPE_NUM = 10;
	//量词
	public static final int TYPE_NUMCOUNT = 11;
	//英文
	public static final int TYPE_LETTER = 20;

17 楼 piziwang 2009-12-01

16 楼 gogobu 2009-11-25

gogobu 写道

linliangyi2007 写道

gogobu 写道

有个 Compass 相关的问题想请教。

IKAnalyzer 和 IKSimilarity 目前都是直接继承了 Lucene，所以直接接入 Compass 没有问题。但 IKQueryParser 好象不是，无法直接替代 lucene 的 QueryParser。

请问有什么方法可以把 IKQueryParser 集成到 Compass 里面？谢谢！

IKQueryParser 与 lucene QueryParser并不是接口实现关系。IKQueryParser是为了实现分词歧义的组合优化而设计的，并不像 lucene QueryParser那样可以解析lucene的查询表达式。只是命名的时候，不知道叫啥最合适，最后还是选择了QueryParser。

而 lucene QueryParser 本身也不像 Analyzer和 Similarity那样以接口设计的，它本身就是一个具体实现类。

明白了，谢谢。如果我还是想用上 IKQueryParser，是不是可以自己实现一个类重载 lucene QueryParser，然后在里面调用 IKQueryParser？还是说这两者基本上就不兼容？

自问自答，按照Compass的框架写了个简单的custom QueryParser，搞定。

15 楼 piziwang 2009-11-24

linliangyi2007 写道

piziwang 写道

linliangyi，

如何在tomcat启动的时候，就加载 IKAnalyzer的词典？

而不是在第一次调用IKAnalyzer时加载词典。

因为如果在第一次调用IKAnalyzer时加载词典，用户感觉会比较慢，我想在tomcat容器启动的时候，加载词典，这样，用户第一次使用时就不会感觉到慢了。

创建一个Tomcat的ContextListener（这个知道吧），在初始化方法中调用

org.wltea.analyzer.dic.Dictionary.getInstance();

即可。词典占用27M内存，总共27万个词元。

明白，我试试，呵呵！

14 楼 linliangyi2007 2009-11-24

piziwang 写道

创建一个Tomcat的ContextListener（这个知道吧），在初始化方法中调用

org.wltea.analyzer.dic.Dictionary.getInstance();

即可。词典占用27M内存，总共27万个词元。

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