lucene学习笔记（四）lucene分词详解

我就是我 2022-07-11 12:19 279阅读 0赞

![这里写图片描述][SouthEast]

# 分词器的核心类 #

![这里写图片描述][SouthEast 1]

## Analyzer ##

*  SimpleAnalyzer
 *  StopAnalyzer
 *  WhitespaceAnalyzer
 *  StandardAnalyzer

## TokenStream ##

分词器做好处理之后得到的一个流，这个流中存储了分词的各种信息，可以通过TokenStream有效的获取到分词单元信息  
![这里写图片描述][SouthEast 2]  
在这个流中所需要存储的数据  
![这里写图片描述][SouthEast 3]

# Tokenizer #

主要负责接收字符流Reader,将Reader进行分词操作。有如下一些实现类  
![这里写图片描述][SouthEast 4]

# TokenFilter #

将分词的语汇单元，进行各种各样过滤  
![这里写图片描述][SouthEast 5]

# Attribute #

![这里写图片描述][SouthEast 6]

# 自定义分词器 #

## 自定义Stop分词器 ##

![这里写图片描述][SouthEast 7]

## 中文分词器 ##

Paoding:庖丁解牛分词器。已经没有更新了  
mmseg:使用搜狗的词库（）  
1、导入包（有两个包:1、带dic,2、不带dic）  
如果使用不带dic的，得自己指定词库位置  
![这里写图片描述][SouthEast 8]  
2、创建的时候使用MMSegAnalyzer分词器  
![这里写图片描述][SouthEast 9]

## 简单实现同义词索引 ##

![这里写图片描述][SouthEast 10]

> 同义词：最重要的是要在在原来的位置上添加同义词（位置增量为0）

## 当前几个主要的Lucene中文分词器的比较 ##

> 2009年的一篇文章[http://www.iteye.com/news/9637][http_www.iteye.com_news_9637]

1.  **基本介绍**：  
    `paoding` ：Lucene中文分词“庖丁解牛” Paoding Analysis  
    `imdict` ：imdict智能词典所采用的智能中文分词程序  
    `mmseg4j` ： 用 Chih-Hao Tsai 的 MMSeg 算法 实现的中文分词器  
    `ik` ：采用了特有的“正向迭代最细粒度切分算法“，多子处理器分析模式
2.  *\* 开发者及开发活跃度\**：  
    `paoding` ：qieqie.wang， google code 上最后一次代码提交：2008-06-12，svn 版本号 132  
    `imdict` ：XiaoPingGao， 进入了 lucene contribute，lucene trunk 中 contrib/analyzers/smartcn/ 最后一次提交：2009-07-24，  
    `mmseg4j` ：chenlb2008，google code 中 2009-08-03 （昨天），版本号 57，log为：mmseg4j-1.7 创建分支  
    `ik` ：linliangyi2005，google code 中 2009-07-31，版本号 41
3.  **用户自定义词库：**  
    `paoding` ：支持不限制个数的用户自定义词库，纯文本格式，一行一词，使用后台线程检测词库的更新，自动编译更新过的词库到二进制版本，并加载  
    `imdict` ：暂时不支持用户自定义词库。但 原版 ICTCLAS 支持。支持用户自定义 stop words  
    `mmseg4j` ：自带sogou词库，支持名为 wordsxxx.dic， utf8文本格式的用户自定义词库，一行一词。不支持自动检测。 -Dmmseg.dic.path  
    `ik` ： 支持api级的用户词库加载，和配置级的词库文件指定，无 BOM 的 UTF-8 编码，\\r\\n 分割。不支持自动检测。
4.  **速度（基于官方介绍，非自己测试）**  
    `paoding` ：在PIII 1G内存个人机器上，1秒 可准确分词 100万 汉字  
    `imdict` ：483.64 (字节/秒)，259517(汉字/秒)  
    `mmseg4j` ： complex 1200kb/s左右, simple 1900kb/s左右  
    `ik` ：linliangyi2005，google code 中 2009-07-31，版本号 41
5.  **算法和代码复杂度**  
    `paoding` ：svn src 目录一共1.3M，6个properties文件，48个java文件，6895 行。使用不用的 Knife 切不同类型的流，不算很复杂。  
    `imdict` ：词库 6.7M（这个词库是必须的），src 目录 152k，20个java文件，2399行。使用 ICTCLAS HHMM隐马尔科夫模型，“利用大量语料库的训练来统计汉语词汇的词频和跳转概率，从而根据这些统计结果对整个汉语句子计算最似然(likelihood)的切分”  
    `mmseg4j` ： svn src 目录一共 132k，23个java文件，2089行。MMSeg 算法 ，有点复杂。  
    `ik` ： svn src 目录一共6.6M(词典文件也在里面)，22个java文件，4217行。多子处理器分析，跟paoding类似，歧义分析算法还没有弄明白。
6.  **文档**  
    `paoding` ：几乎无。代码里有一些注释，但因为实现比较复杂，读代码还是有一些难度的。  
    `imdict` ： 几乎无。 ICTCLAS 也没有详细的文档，HHMM隐马尔科夫模型的数学性太强，不太好理解。  
    `mmseg4j` ： MMSeg 算法 是英文的，但原理比较简单。实现也比较清晰。  
    `ik` ： 有一个pdf使用手册，里面有使用示例和配置说明。
7.  **其他**   
    `paoding` ：引入隐喻，设计比较合理。search 1.0 版本就用的这个。主要优势在于原生支持词库更新检测。主要劣势为作者已经不更新甚至不维护了。  
    `imdict`：进入了 lucene trunk，原版 ictclas 在各种评测中都有不错的表现，有坚实的理论基础，不是个人山寨。缺点为暂时不支持用户词库。  
    `mmseg4j` ： 在complex基础上实现了最多分词(max-word)，但是还不成熟，还有很多需要改进的地方。  
    `ik` ： 针对Lucene全文检索优化的查询分析器IKQueryParse
8.  结论  
    个人觉得，可以在 mmseg4j 和 paoding 中选一个。关于这两个分词效果的对比，可以参考 [mmseg4j 多分词模式与 paoding 分词效果对比][mmseg4j _ paoding]  
    或者自己再包装一下，将 paoding 的词库更新检测做一个单独的模块实现，然后就可以在所有基于词库的分词算法之间无缝切换了。  
    ps，对不同的 field 使用不同的分词器是一个可以考虑的方法。比如 tag 字段，就应该使用一个最简单的分词器，按空格分词就可以了。

[SouthEast]: /images/20220711/bb18b5276f9641b9befd81dc1ef019fc.png
[SouthEast 1]: /images/20220711/a19359f76d4d413e97a2c680cab54024.png
[SouthEast 2]: /images/20220711/c6c0e2f93abb4cca980abc0e088e01c6.png
[SouthEast 3]: /images/20220711/59e50b0e1c9d4c42b25b505dd72b3dc3.png
[SouthEast 4]: /images/20220711/90fb95fe312a42479b08f488373a189d.png
[SouthEast 5]: /images/20220711/7ba00af5994d4c8e98ab43d2c47916c1.png
[SouthEast 6]: /images/20220711/e863da0507254f69bd80a501ce38848c.png
[SouthEast 7]: /images/20220711/66f23f2aeabb40a79d947fd2db8a8c34.png
[SouthEast 8]: /images/20220711/62918d81e8f942128f7bdee616d52bb1.png
[SouthEast 9]: /images/20220711/3d920ed5a08f4054a2289f14b94ea70c.png
[SouthEast 10]: /images/20220711/91de8e88f5ec4f559c708cac61456833.png
[http_www.iteye.com_news_9637]: http://www.iteye.com/news/9637
[mmseg4j _ paoding]: http://blog.chenlb.com/2009/04/mmseg4j-max-word-segment-compare-with-paoding-in-effect.html