`
Qieqie
  • 浏览: 340449 次
  • 性别: Icon_minigender_1
  • 来自: 北京
文章分类
社区版块
存档分类
最新评论

中文分词 庖丁解牛 2.0.0版本发布

阅读更多
庖丁解牛 最新版本2.0.0

主要变更:

1)调整了package命名 改为net.paoding.analysis开头;调整了一些类的命名,主要是XAnalyzer改为
PaodingAnalyzer之类的。

2)并调整了部分代码的相对位置:代码集中在三个包中:
net.paoding.analysis.dictionary 字典抽象--这是核心代码之一
net.paoding.analysis.knife "刀"抽象-分词算法-这是核心代码之二
net.paoding.analysis.analyzer 封装adapter到lucene接口
关键代码没有任何改变,特别是CJKKnife没有发现错误。

3)同时,将字典改为英文命名,避免操作系统中文命名带来不必要影响

4)增加了配置文件;使knife可以在配置文件配置增减,同时字典的安装路径可以随意指定。

5)BUGFIX : highlight位置错误

下载地址:[url]http://code.google.com/p/paoding/downloads/list [/url]
SVN地址:http://paoding.googlecode.com/svn/trunk/paoding-analysis/

-------------------------------------------------------------------
选择"庖丁解牛"作为Lucene中文分词可能有以下理由:

@设计优美-使用庖丁隐喻,容易理解代码设计

@效率极高-极高效率的字典查找算法;尽量避免无谓试探查找

@算法简练-简单易理解的算法,但效率却是非常高效的

@轻松支持最大/最小切词

@字典灵活-
字典文件个数不限;
名称不限,只要符合以dic作为扩展名的均视为字典
目录层级不限(所以可以任意加减字典目录以及目录下的字典)
字典格式简单:不需要特别排序,人工可编辑

@源代码是开放的,遵守http://www.apache.org/licenses/LICENSE-2.0协议

@作者能力:Java基础知识、设计能力扎实、持续关注改进

-------------------------------------------------------------------
"庖丁解牛" 使用指南

1、准备
1)将二进制包paoding-analyis.jar放到自己的classpath下

2)将字典文件安装(也就是拷贝)到某个目录下,比如/data/paoding/dic下

3)把配置文件paoding-analysis.properties放到自己的classpath下

4)打开paoding-analysis.properties,把paoding.dic.home属性设置为字
典的安装目录,比如paoding.dic.home=/data/paoding/dic,特别的,如
果字典是安装在classpath下的dic目录下,则可以简单这样配置该属性:
paoding.dic.home=classpath:dic

2、建立索引
1)将庖丁封装成符合Lucene要求的Analyzer规范,获取writer mode的lucene
分析器,writer mode意味要同时支持最大和最小切词。
Paoding paoding = PaodingMaker.make();
Analyzer writerAnalyzer = PaodingAnalyzer.writerMode(paoding);

Paoding应保存为一个系统单例为好,以重复利用,它是线程安全的.

2)使用Lucene标准API对文件建立索引。
IndexWriter writer = new IndexWriter(dirctory, writerAnalyzer);
...

3、检索查找
1)使用Lucene标准API对文件进行检索,使用和建立索引时相同种的lucene分析器。
QueryParser parser = new QueryParser("content", writerAnalyzer );
...

更具体的使用方式参见
examples/net.paoding.analysis.examples.gettingstarted中的示例代码

------------------------------------------------------------------
"庖丁解牛"google 论坛:
[url]http://groups.google.com/group/paoding [/url]

"中文分词" Javaeye 论坛:
http://analysis.group.iteye.com/

svn地址:
[url]http://paoding.googlecode.com/svn/trunk/paoding-analysis/ [/url]

旧版本地址:
http://paoding.googlecode.com/svn/trunk/paoding-analysis-1/
不建议下载旧版本
分享到:
评论
32 楼 Qieqie 2007-09-03  
高亮的问题是1.x的bug,已经在2.x修改,现在不存在这个问题。

上面rainsf是因为其修改了代码,未改回来导致的。---rainsf最终给我的邮件说明的。

所以,请确认是用的是2.x的。 如有疑问,站内短信联系为佳。

谢谢。
31 楼 hlgao 2007-09-03  
高亮确实有些问题,我也好奇怪的。
看了你们的说法,我换用netbeans 5.5.1重新编译了一下,发现高亮还是有问题的,会出现一些无关的内容。
30 楼 dwangel 2007-08-27  
rainsf 写道
我终于发现在“高亮错误”的可笑原因,在JDK1.6环境下,直接命令行来运行那几个例子,高亮就没有问题,但我在Eclipse下无论用JDK1.5还是JDK1.6,编译级别无论用5还是6,高亮都一样是错误的,在Tomcat环境下运行情况同样。以上情况看起来很可笑。
真的很郁闷,具体原因出在哪里,还没有时间考究,只知道有这样的事实。切切.王,你也在Eclipse或服务器环境下,或JDK1.5下试试吧,看看情况怎样。。。


eclipse用的编译器是自己改造过的。
如果,是仅在eclipse下出问题,可以考虑用jdk的默认编译器编译下。
ant+javac
29 楼 0000 2007-08-23  
我跑个题,打听一下,楼主对句子相似度有没有研究?或者有没有推荐的比较开放的资料?
28 楼 O.Lions 2007-08-20  
强烈支持  感谢这样的分享!!! 
27 楼 lazywalker 2007-08-19  
我封装了一下,在solr1.2版本中测试通过,希望对您有用,也为了享受paoding的同时出一份力:

把附件 mysolr.jar 和 paoding-analysis.jar/commons-logging.jar 拷贝到solr实例的lib目录下(默认不存在,需要自己建立),
编辑schema.xml,加上对mysolr.analysis.ChineseTokenizerFactory的配置节
<fieldType name="text" class="solr.TextField" positionIncrementGap="100">
      <analyzer type="index">
          <tokenizer class="mysolr.analysis.ChineseTokenizerFactory" mode="index"/>
           .....
      </analyzer>
      <analyzer type="query">
	  <tokenizer class="mysolr.analysis.ChineseTokenizerFactory" mode="query"/>
          .....
      </analyzer>
</fieldType>

ps:之所以使用mode=index来代替mode=write,是因为我觉得index更加符合lucene的习惯,呵呵

lanhuai 写道
希望能够提供Solr的解决方案

在Spring中比较好配置,但是在Solr中好像没有类似Spring的<property name="knife" ref="paoding"/>的方式

Qieqie 写道
rainsf 写道

2、最终的Analyer子类(PaodingAnalyzer),应该提供一个无参构造器,因为大多数框架通常都是配置指定Analyer实现类通过反映加载Analyer的,如Hibernate Search.


参见:
[url=http://analysis.group.iteye.com/group/post/15584 ]JavaEye:Spring Context下使用"庖丁解牛" [/url]
或:
Google:Spring Context下使用"庖丁解牛"

简单摘要(以上面两个链接中的说明为准,这里只是摘要):

   <bean id="writerAnalyzer" class="net.paoding.analysis.analyzer.PaodingAnalyzer">
       <property name="knife" ref="paoding"/>
       <property name="mode" value="1"/>
   </bean>

   <bean id="queryAnalyzer" class="net.paoding.analysis.analyzer.PaodingAnalyzer">
       <property name="knife" ref="paoding"/>
       <property name="mode" value="2"/>
   </bean>

   <bean id="paoding" class="net.paoding.analysis.knife.PaodingMaker"  factory-method="make"/>


---------
补:
1、建立索引和使用索引只能使用同一种/模式的分词器
2、2.0.2以后(包含)queryMode和writerMode这两个名称将重构为更好的名称,请留意倒是的API说明或readme变更说明。
26 楼 lanhuai 2007-08-17  
希望能够提供Solr的解决方案

在Spring中比较好配置,但是在Solr中好像没有类似Spring的<property name="knife" ref="paoding"/>的方式

Qieqie 写道
rainsf 写道

2、最终的Analyer子类(PaodingAnalyzer),应该提供一个无参构造器,因为大多数框架通常都是配置指定Analyer实现类通过反映加载Analyer的,如Hibernate Search.


参见:
[url=http://analysis.group.iteye.com/group/post/15584 ]JavaEye:Spring Context下使用"庖丁解牛" [/url]
或:
Google:Spring Context下使用"庖丁解牛"

简单摘要(以上面两个链接中的说明为准,这里只是摘要):

   <bean id="writerAnalyzer" class="net.paoding.analysis.analyzer.PaodingAnalyzer">
       <property name="knife" ref="paoding"/>
       <property name="mode" value="1"/>
   </bean>

   <bean id="queryAnalyzer" class="net.paoding.analysis.analyzer.PaodingAnalyzer">
       <property name="knife" ref="paoding"/>
       <property name="mode" value="2"/>
   </bean>

   <bean id="paoding" class="net.paoding.analysis.knife.PaodingMaker"  factory-method="make"/>


---------
补:
1、建立索引和使用索引只能使用同一种/模式的分词器
2、2.0.2以后(包含)queryMode和writerMode这两个名称将重构为更好的名称,请留意倒是的API说明或readme变更说明。
25 楼 rainsf 2007-08-17  
linliangyi2007 写道
恭喜qieqie兄新版发布。
俺地IKAnalyzer新版分词器也在昨天发布了,这里搭个顺风车,咔咔!!
http://download.csdn.net/source/227957
CSDN要登录的,请问还有哪里可以下载?
24 楼 Andrew3001 2007-08-16  
好东西,先mark一下,回家研究
23 楼 linliangyi2007 2007-08-15  
恭喜qieqie兄新版发布。
俺地IKAnalyzer新版分词器也在昨天发布了,这里搭个顺风车,咔咔!!
http://download.csdn.net/source/227957
22 楼 Qieqie 2007-08-14  
to yheart:

1、你的改法没有必要。而且这样改也不是良好的。
PaodingAnalyzer具有无参的构造函数,你可以使用无参构造函数,然后通过setKnife,setMode设置这两个值。
你可以参考前回复中给出的Spring配置方法。

2、和Tomcat默认字符无关。你要确认的是:
   1)你的页面设置什么字符集?
   2)你是否设置了CharacterEncodingFilter过滤器用来对请求和响应设置和页面一致的字符集
    (如果是struts2,webwork等从MVC框架上就支持字符集配置的,可以不需要配置CharacterEncodingFilter)
  
   如果你配置的是UTF-8编码的,就必须使用UTF-8编码的字典,同时你的操作系统要是UTF-8编码的(注)
   如果你配置的是GBK编码的,就必须使用GBK编码的字典,同时你的操作系统要是GBK编码的(注)

[注]:
   2.0.0版本使用操作系统的字符集读取字典,所以要保证你使用的字典和操作系统是同一编码的
   如果你使用的页面字符集和操作系统不一样,现在庖丁没有办法配置用页面的字符集读取字典,
   作为暂时的做法,你可以直接去将net.paoding.analysis.dictionary.support.filewords.FileWordsReader
   中的87行的new InputStreamReader(new FileInputStream(f))改为new InputStreamReader(new FileInputStream(f), "你页面配置的编码")
   这些情况会在2.0.x进行改进。上面的一些贴子,已经叙述了这个问题


3、程序抛出的StringIndexOutOfBoundsException异常是因为使用错误的字符集导致的,设置正确了,也就不会有异常。
21 楼 yheart 2007-08-14  
作者您好:我在用“庖丁”做为compass的中文分词(spring+hibernate+compass+tomcat),做了以下修改:

1、由于只能在配置文件中使用无参的构造函数,所以在PaodingAnalyzer 这个类的tokenStream方法中,把
if (knife == null) {
throw new NullPointerException("knife should be set before token");
}
改成了:
if (knife == null) {
knife = PaodingMaker.make(Config.properties());
}

2、由于tomcat默认字符是iso-8859-1,因此在tokenStream方法中,把传入的reader对象读出保存到一个String中,然后转换字符集到utf-8,然后再构造一个StringReader传入返回语句:
return new PaodingTokenizer(new StringReader(str), knife, createTokenCollector());

然后在使用时,抛出java.lang.StringIndexOutOfBoundsException异常,提示CJKKnife 类的 && beaf.charAt(end) >= word.getNext().charAt(count); 处 String index out of range。

不知道此处是存在BUG?还是由于我做的两处修改而导致问题?如果我在这句话前面先加个判断,如果count溢出,则把word.getNext()的值的length-1赋值给 count,不知道这样修改是否会造成其它影响?谢谢~~
20 楼 youkao 2007-08-12  
没人顶?
19 楼 youkao 2007-08-12  
Qieqie 写道
简繁体方面,庖丁需要有人贡献这些函数:

1、big5->utf-8
2、gbk->utf-8
3、utf-8繁->utf-8简

或者,等价的另一种方式:
4、big5->gbk
5、utf-8->gbk
6、gbk繁->gbk简

第一种方式感官上优于第二种。



这个继续解决中,准备搞台电脑安装繁体版 XP
18 楼 youkao 2007-08-12  
PaodingMaker 在每次加载的时候都会初始化一次,很好损失内存,在WEB下应用会经常内存溢出,建议修改成单例模式,其他保持不变,修改如下:


public class PaodingMaker {

private static Log log = LogFactory.getLog(PaodingMaker.class);

private static Paoding paoding;

private static PaodingMaker instance = null;

public static synchronized PaodingMaker getInstance() {
if (instance == null)
instance = new PaodingMaker();
return instance;
}

public PaodingMaker(){
make();
}

public static Paoding make() {
if (paoding == null) {
synchronized (PaodingMaker.class) {
paoding = make(Config.properties());
}
}
return paoding;
}

// @SuppressWarnings("unchecked")
public static Paoding make(Properties p) {
try {
Paoding paoding = new Paoding();
// 包装各种字典-将自动寻找,若存在则读取类路径中的paoding-analysis.properties文件
// 若不存在该配置文件,则一切使用默认设置,即字典在文件系统当前路径的dic下(非类路径dic下)
Dictionaries dictionaries = new FileDictionaries(p);
Enumeration names = p.propertyNames();
while (names.hasMoreElements()) {
String name = (String) names.nextElement();
// 以paoding.knife.class开头的被认为是knife对象
if (name.startsWith("paoding.knife.class")) {
String className = p.getProperty(name);
Class clazz = Class.forName(className);
Knife knife = (Knife) clazz.newInstance();
if (knife instanceof DictionariesWare) {
((DictionariesWare) knife)
.setDictionaries(dictionaries);
}
// 把刀交给庖丁
System.out.println("add knike: " + className);
log.info("add knike: " + className);
paoding.addKnife(knife);
}
}
return paoding;
} catch (Exception e) {
throw new IllegalStateException("Wrong paoding properties config.",
e);
}
}
}


修改后效率大大提高:
Searching time: 188 毫秒 (第一次加载)
Searching time: 16 毫秒
Searching time: 0 毫秒
Searching time: 15 毫秒
Searching time: 0 毫秒
Searching time: 0 毫秒
Searching time: 0 毫秒


17 楼 Qieqie 2007-08-12  
简繁体方面,庖丁需要有人贡献这些函数:

1、big5->utf-8
2、gbk->utf-8
3、utf-8繁->utf-8简

或者,等价的另一种方式:
4、big5->gbk
5、utf-8->gbk
6、gbk繁->gbk简

第一种方式感官上优于第二种。
16 楼 Qieqie 2007-08-12  
[表述错误-所以删除]
15 楼 youkao 2007-08-11  

在网上找到一个 BIG2GB的类简单的改了下,做了一个包,看 庖丁 需要不,需要的话就加进去!


使用方法

private static String QUERY = "固若金湯";


GB2Big5 pTmp = GB2Big5.getInstance();
String queryString =  pTmp.big52gb(QUERY);

QueryParser parser = new QueryParser(FIELD_NAME, PaodingAnalyzer.queryMode(paoding));
Query query = parser.parse(queryString);



这段时间在搞拼音联想(目前有些BUG),过段时间在加入到庖丁 里面去
14 楼 rainsf 2007-08-10  
我终于发现在“高亮错误”的可笑原因,在JDK1.6环境下,直接命令行来运行那几个例子,高亮就没有问题,但我在Eclipse下无论用JDK1.5还是JDK1.6,编译级别无论用5还是6,高亮都一样是错误的,在Tomcat环境下运行情况同样。以上情况看起来很可笑。
真的很郁闷,具体原因出在哪里,还没有时间考究,只知道有这样的事实。切切.王,你也在Eclipse或服务器环境下,或JDK1.5下试试吧,看看情况怎样。。。
13 楼 心无旁骛 2007-08-10  
我已经把paoding在linux下用起来了,对编码问题根本可以视而不见,一样很好用。

相关推荐

    庖丁分词jar包

    庖丁分词的设计理念是借鉴了古代厨师“庖丁解牛”的故事,寓意其在处理中文文本时能够像庖丁一样游刃有余,精准地进行分词。 在压缩包文件名称“paoding-analysis-2.0.0”中,“paoding”是庖丁分词的英文名称,...

    INAV Configurator 2.0.0 中文版本

    INAV Configurator 2.0.0 中文版本

    魔众人才招聘系统 v2.0.0

    魔众人才招聘系统发布v2.0.0版本,新功能和Bug修复累计19项,全新升级,美观大方。 -0001年11月30日魔众人才招聘系统发布v2.0.0版本,增加了以下19个特性: - [新功能] 用户前后台全面升级 - [新功能] 系统...

    nacos-server-2.0.0-ALPHA.1下载, 内容包含windows与linux的nacso2.0.0版本

    在2.0.0-ALPHA.1版本中,Nacos进一步提升了性能和稳定性,提供了更加丰富的功能,适配了更多场景的需求。 标题提到的“nacos-server-2.0.0-ALPHA.1下载”指的是Nacos的服务器端的2.0.0预览版,这个版本包含了针对...

    Hbase数据库2.0.0版本介绍

    Hbase数据库2.0.0版本介绍 Assignment Manager v1 root of many operational headaches ● Redo based on custom “ProcedureV2”-based State Machine ○ Scale/Performance ○ All Master ops recast as Pv2 ...

    spark-2.0.0.tgz

    Spark 2.0.0版本是该框架的一个重要里程碑,它在前一版本的基础上进行了大量的优化和改进,旨在提供更好的性能和更多的功能。在这个版本中,开发者可以体验到更加成熟的SQL支持、更强大的机器学习库MLlib以及更加...

    seata-2.0.0

    2.0.0版本的发布标志着Seata在功能、性能和稳定性上有了显著的提升。下面我们将深入探讨Seata的核心概念、工作原理以及在2.0.0版本中的关键特性。 1. 分布式事务挑战与Seata解决方案: 在微服务架构中,由于服务间...

    魔众Markdown管理系统发布v2.0.0版本

    魔众Markdown管理系统采用PHP+Mysql架构,是一款对SEO非常友好、功能全面、安全稳定、支持多终端展示并且使用起来极其简单的...魔众Markdown管理系统发布v2.0.0版本,新功能和Bug修复累计13项,全新架构,更稳定更美观。

    elgg2.0.0版本

    压缩包内的 "elgg-2.0.0-beta.3" 文件可能是 Elgg 2.0.0 的第三个测试版本,通常在正式发布之前,软件会经历多个预发布阶段,如 alpha、beta 和 RC(Release Candidate)阶段。这个 beta 版本意味着软件已经接近完成...

    魔众博客发布v2.0.0版本-平台升级,简化系统

    魔众博客系统采用PHP+Mysql架构,是一款对SEO非常友好、功能全面、安全稳定、支持多终端展示并且使用起来极其简单的博客管理系统。...魔众博客系统发布v2.0.0版本,新功能和Bug修复累计3项,系统更精简,平台升级。

    GAppProxy服务端源码+windows自动布署工具,2.0.0版本

    GAppProxy服务端源码+windows自动布署工具,2.0.0版本

    2.0.0 升级日志1

    本资源摘要信息将详细介绍 2.0.0 版本升级日志中所包含的知识点。 nwjs 升级 在 2.0.0 版本中,nwjs 被升级到了 0.20.3,这意味着 Chromium 也升级到了 56,Node 也升级到了 7.6.0。这将带来更好的性能和安全性。 ...

    Lucene-core-2.0.0.jar

    2.0.0版本的发布,标志着Lucene在搜索领域迈出的重要一步。这个版本不仅提供了基础的索引和搜索功能,还引入了多项改进,增强了性能和稳定性,使得开发者能够更方便地集成到自己的项目中。 首先,Lucene的核心概念...

    kotlin-compiler-2.0.0.zip

    本文将围绕"Kotlin-compiler-2.0.0.zip"这一核心,深入探讨Kotlin编译器的最新版本2.0.0,以及其内部组件和工作原理。 Kotlin编译器是将Kotlin源代码转换为可执行代码的关键工具,其2.0.0版本带来了诸多改进和优化...

    Lucene 2.0.0下载安装及简单测试

    然而,值得注意的是,Lucene 2.0.0版本默认的分词器并不支持中文分词,这意味着如果尝试用中文字符进行搜索,将不会返回任何结果。这是因为中文分词是一项复杂的技术挑战,需要专门设计的分词器才能处理。 四、结语...

    keilL4板子支持包,1.3.0版本、1.4.0版本、2.0.0版本、2.1.0版本、2.2.0版本

    KEILL4XX板载支持包,包含Keil.STM32L4xx_DFP.1.3.0.pack、Keil.STM32L4xx_DFP.1.4.0.pack、Keil.STM32L4xx_DFP.2.0.0.pack,Keil.STM32L4xx_DFP.2.1.0.pack,Keil.STM32L4xx_DFP.2.2.0.pack,支持新老版本Keil...

    keilH7板子支持包,2.0.0版本、2.1.0版本、2.2.0版本、2.3.0版本

    KEILH7XX板载支持包,包含Keil.STM32H7xx_DFP.2.0.0.pack、Keil.STM32H7xx_DFP.2.1.0.pack、Keil.STM32H7xx_DFP.2.2.0.pack、Keil.STM32H7xx_DFP.2.3.0.pack,支持新老版本Keil客户端

    基于VKARM V2.0.0版本的机械臂移植代码设计源码

    该项目为基于VKARM V2.0.0版本的机械臂移植代码设计源码,涉及1599个文件,包括558个cmake文件、416个make文件、57个launch文件、51个txt和stamp文件、50个Python脚本文件以及若干C, C++, Shell语言文件。...

    keilL0板子支持包,1.6.0版本、1.6.1版本、2.0.0版本

    KEILL0XX板载支持包,包含Keil.STM32L0xx_DFP.1.6.0.pack、Keil.STM32L0xx_DFP.1.6.1.pack、Keil.STM32L0xx_DFP.2.0.0.pack、支持新老版本Keil客户端

    lucene2.0.0

    2.0.0版本中,内置了一些常见的分词器,如StandardAnalyzer,用于处理英文文本。 3. **Document与Field**:Document是Lucene的基本存储单元,代表一份文档,由多个Field组成。每个Field对应文档的一个属性,如标题...

Global site tag (gtag.js) - Google Analytics