Lucene中文分词组件JE-Analysis1.5.0

<!-- Title Start-->

Lucene中文分词组件JE-Analysis1.4.0 分词效率： 第一次分词需要1－2秒（读取词典），之后速度基本与Lucene自带分词持平。 该组件免费安装使用传播，无限制商业应用，但暂不开源，也不提供任何保证。

　　运行环境： Lucene 1.9+

　　内存消耗： 30M+

　　1.4.0 —— 2006-08-21

　　增加词典的动态扩展能力

　　1.3.3 —— 2006-07-23

　　修正无法多次增加词典的问题

　　1.3.2 —— 2006-07-03

　　修正细粒度分词错误的问题

　　1.3.1 —— 2006-06-23

　　修正在某些情况下分词遗漏的问题

　　1.3 —— 2006-06-22

　　实现了词尾消歧算法中第一层的过滤

　　增加日期时间的匹配

　　1.2.2 —— 2006-06-13

　　完善了中英文噪声词典

　　1.2.1 —— 2006-06-10

　　修正中文数字成语无法识别的问题

　　1.2 —— 2006-06-08

　　增加中文数字的匹配（如：二零零六）

　　数量词采用“n”作为数字通配符

　　优化词典结构以便修改调整

　　1.1 —— 2006-06-06

　　增加扩展词典的静态读取方法

　　1.0.1 —— 2006-06-02

　　修正无法识别生僻字的问题

　　1.0 —— 2006-05-29

　　支持英文、数字、中文（简体）混合分词

　　常用的数量和人名的匹配

　　超过22万词的词库整理

　　实现正向最大匹配算法

　　支持分词粒度控制

<!--Content End-->构造方法 

 //采用正向最大匹配的中文分词算法，相当于分词粒度等于0
 MMAnalyzer analyzer = new MMAnalyzer();
 
 //参数为分词粒度：当字数等于或超过该参数，且能成词，该词就被切分出来
 MMAnalyzer analyzer = new MMAnalyzer(2);

词库管理方法

 //增加一个新词典，采用每行一个词的读取方式
 MMAnalyzer.addDictionary(reader);
 
 //增加一个新词
 MMAnalyzer.addWord(newWord);

字符串切分

 package demo.analysis;
 
 import java.io.IOException;
 
 import jeasy.analysis.MMAnalyzer;
 
 public class Segment
 {
  
     public static void main(String[] args)
     {
         String text = "据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，"
          + "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，"
          + "20000余人受伤，近20万人无家可归。";
        
         MMAnalyzer analyzer = new MMAnalyzer();
         try
         {
                 System.out.println(analyzer.segment(text, " | "));
         }
         catch (IOException e)
         {
                 e.printStackTrace();
         }
     }
 }
生成效果：

据 | 路透社 | 报道 | 印度尼西亚 | 社会 | 事务 | 部 | 官员 | 星期二 | 29日 | 表示 | 日惹 | 市 | 附近 | 当地时间 | 27日 | 晨 | 5时 | 53分 | 发生 | 里氏 | 6.2级 | 地震 | 已经 | 造成 | 至少 | 5427人 | 死亡 | 20000 | 余人 | 受伤 | 近 | 20万人 | 无家可归 |

Lucene搜索

 package demo.analysis;
 
 import jeasy.analysis.MMAnalyzer;
 
 import org.apache.lucene.analysis.Analyzer;
 import org.apache.lucene.document.Document;
 import org.apache.lucene.document.Field;
 import org.apache.lucene.index.IndexWriter;
 import org.apache.lucene.queryParser.QueryParser;
 import org.apache.lucene.search.Hits;
 import org.apache.lucene.search.IndexSearcher;
 import org.apache.lucene.search.Query;
 import org.apache.lucene.store.Directory;
 import org.apache.lucene.store.RAMDirectory;
 
 public class Segment
 {
    
     public static void main(String[] args)
     {
         String fieldName = "text";
         String text = "据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，"
             + "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，"
             + "20000余人受伤，近20万人无家可归。"; //检索内容
 
         //采用正向最大匹配的中文分词算法
         Analyzer analyzer = new MMAnalyzer();
 
         Directory directory = new RAMDirectory();
         //Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);
 
         try
          {
             IndexWriter iwriter = new IndexWriter(directory, analyzer, true);
             iwriter.setMaxFieldLength(25000);
             Document doc = new Document();
             doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.TOKENIZED));
             iwriter.addDocument(doc);
             iwriter.close();
            
             IndexSearcher isearcher = new IndexSearcher(directory);
             QueryParser parser = new QueryParser(fieldName, analyzer);
             Query query = parser.parse("印度尼西亚 6.2级地震");//检索词
             Hits hits = isearcher.search(query);
             System.out.println("命中：" + hits.length());
 
             for (int i = 0; i < hits.length(); i++)
             {
                 Document hitDoc = hits.doc(i);
                 System.out.println("内容：" + hitDoc.get(fieldName));
             }
 
             isearcher.close();
             directory.close();
         }
         catch (Exception e)
         {
             e.printStackTrace();
         }  
     }
    
 }
生成效果：

命中：1
内容：据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，20000余人受伤，近20万人无家可归。

搜索词加亮
 package demo.analysis;
 
 import jeasy.analysis.MMAnalyzer;
 
 import org.apache.lucene.analysis.Analyzer;
 import org.apache.lucene.analysis.TokenStream;
 import org.apache.lucene.document.Document;
 import org.apache.lucene.document.Field;
 import org.apache.lucene.index.IndexReader;
 import org.apache.lucene.index.IndexWriter;
 import org.apache.lucene.index.TermPositionVector;
 import org.apache.lucene.queryParser.QueryParser;
 import org.apache.lucene.search.Hits;
 import org.apache.lucene.search.IndexSearcher;
 import org.apache.lucene.search.Query;
 import org.apache.lucene.search.highlight.Highlighter;
 import org.apache.lucene.search.highlight.QueryScorer;
 import org.apache.lucene.search.highlight.TokenSources;
 import org.apache.lucene.store.Directory;
 import org.apache.lucene.store.RAMDirectory;
 
 public class Segment
 {
 
     public static void main(String[] args)
     {
         String fieldName = "text";
         String text = "据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，"
             + "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，"
             + "20000余人受伤，近20万人无家可归。"; //检索内容
 
         //采用正向最大匹配的中文分词算法
         Analyzer analyzer = new MMAnalyzer();
 
         Directory directory = new RAMDirectory();
         //Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);
 
         try
         {
             IndexWriter iwriter = new IndexWriter(directory, analyzer, true);
             iwriter.setMaxFieldLength(25000);
             Document doc = new Document();
             doc.add(new Field(fieldName, text, Field.Store.YES,
                     Field.Index.TOKENIZED,
                     Field.TermVector.WITH_POSITIONS_OFFSETS));
             iwriter.addDocument(doc);
             iwriter.close();
 
             IndexSearcher isearcher = new IndexSearcher(directory);
             QueryParser parser = new QueryParser(fieldName, analyzer);
             Query query = parser.parse("印度尼西亚 6.2级地震");//检索词
             Hits hits = isearcher.search(query);
             System.out.println("命中：" + hits.length());
 
             Highlighter highlighter = new Highlighter(new QueryScorer(query));
             for (int i = 0; i < hits.length(); i++)
             {
                 text = hits.doc(i).get(fieldName);
                 TermPositionVector tpv = (TermPositionVector) IndexReader.open(
                     directory).getTermFreqVector(hits.id(i), fieldName);
                 TokenStream tokenStream = TokenSources.getTokenStream(tpv);
                 String result = highlighter.getBestFragments(tokenStream, text, 3, "...");
                 System.out.println("内容：" + result);
             }
 
             isearcher.close();
             directory.close();
         }
         catch (Exception e)
         {
             e.printStackTrace();
         }
     }
 
 }

生成效果： 命中：1 内容：据路透社报道，<B>印度尼西亚</B>社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生的里氏<B>6.2级</B><B>地震</B>已经造成至少5427人死亡，20000余人受伤，近20万人无家可归

 

评论

5 楼 tohzf 2009-07-02  

对不同的应用，选择不同的分词器，lucence自带的分词器处理英语就挺好的

中文的话，还是JE-Analysis1吧

4 楼 p_x1984 2009-07-02  

那请问还有什么好的分词器么？比如paoding?

3 楼 tohzf 2009-07-02  

对中文分词来说不错的.
在处理长串英文字符时，这个组件是有问题的。

2 楼 p_x1984 2009-07-02  

它有个专门的包：IKAnalyzer1.4.jar

1 楼 i5cn 2009-07-02  

然后要如何加载类库呢？