Lucene中文分词IK Analyzer

以你之姓@ 2022-08-01 11:25 188阅读 0赞

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4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。从3.0版本开始，IK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。在2012版本中，IK实现了简单的分词歧义排除算法，标志着IK分词器从单纯的词典分词向模拟语义分词衍化。  
IK Analyzer 2012特性:  
1.采用了特有的“正向迭代最细粒度切分算法“，支持细粒度和智能分词两种切分模式；  
2.在系统环境：Core2 i7 3.4G双核，4G内存，window 7 64位， Sun JDK 1.6\_29 64位 普通pc环境测试，IK2012具有160万字/秒（3000KB/S）的高速处理能力。  
3.2012版本的智能分词模式支持简单的分词排歧义处理和数量词合并输出。  
4.采用了多子处理器分析模式，支持：英文字母、数字、中文词汇等分词处理，兼容韩文、日文字符  
5.优化的词典存储，更小的内存占用。支持用户词典扩展定义。特别的，在2012版本，词典支持中文，英文，数字混合词语。  
项目网站:  
google：[https://code.google.com/p/ik-analyzer][https_code.google.com_p_ik-analyzer]

github：[https://github.com/wks/ik-analyzer][https_github.com_wks_ik-analyzer]

[https://github.com/linvar/IKAnalyzer][https_github.com_linvar_IKAnalyzer]

由于IK Analyzer目前还不兼容最新版本的Luence，在IK Analyer 2012 FF hotfix 1 完整分发包,支持lucene4.0/solr 4.0，下面我们以lucene4及最新版本的IK Analyzer为例演示中文分词。  
下载最新的[https://ik-analyzer.googlecode.com/files/IK%20Analyzer%202012FF\_hf1.zip][https_ik-analyzer.googlecode.com_files_IK_20Analyzer_202012FF_hf1.zip]，将如下文件放到classpath下：  
stopwords.dic 是停用词文件  
ext.dic  自定义词典  
IKAnalyzer.cfg.xml 分词扩张配置文件（主要用于调取stopwords.dic, ext.dic）

将IKAnalyzer2012FF\_u1.jar添加到工程的lib下：

<properties>
    		<lucene.version>4.10.4</lucene.version>
    	</properties>
    	<dependencies>
    		<dependency>
    			<groupId> org.apache.lucene</groupId>
    			<artifactId> lucene-core</artifactId>
    			<version> ${lucene.version}</version>
    		</dependency>
    		<dependency>
    			<groupId> org.apache.lucene</groupId>
    			<artifactId> lucene-analyzers-common</artifactId>
    			<version> ${lucene.version}</version>
    		</dependency>
    		<dependency>
    			<groupId> org.apache.lucene</groupId>
    			<artifactId> lucene-queryparser</artifactId>
    			<version> ${lucene.version}</version>
    		</dependency>
    		<dependency>
    			<groupId> org.apache.lucene</groupId>
    			<artifactId> lucene-highlighter</artifactId>
    			<version> ${lucene.version}</version>
    		</dependency>
    		<dependency>
    			<groupId>org.wltea.ik-analyzer</groupId>
    			<artifactId>IKAnalyzer2012FF_u1</artifactId>
    			<version>1.0.0</version>
    			<scope>system</scope>
    			<systemPath>${project.basedir}/lib/IKAnalyzer2012FF_u1.jar</systemPath>
    		</dependency>
    	</dependencies>

测试代码：

package cn.slimsmart.lucene.demo.example;
    
    import java.io.IOException;
    import java.io.StringReader;
    
    import org.apache.lucene.analysis.TokenStream;
    import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
    import org.wltea.analyzer.core.IKSegmenter;
    import org.wltea.analyzer.core.Lexeme;
    import org.wltea.analyzer.lucene.IKAnalyzer;
    
    @SuppressWarnings("resource")
    public class IKAnalyzerTest {
    
    	public static void main(String[] args) throws Exception {
    		demo();
    	}
    
    	// 分词测试
    	public static void demo() throws Exception {
    		IKAnalyzer analyzer = new IKAnalyzer(true);
    		System.out.println("当前使用的分词器：" + analyzer.getClass().getSimpleName());
    		TokenStream tokenStream = analyzer.tokenStream("content", "王五好吃懒做，溜须拍马，跟着李四，也过着小康的日子");
    		CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
    		tokenStream.reset();// 必须先调用reset方法
    		while (tokenStream.incrementToken()) {
    			System.out.println(new String(charTermAttribute.buffer()));
    		}
    		tokenStream.close();
    	}
    
    	// 单独的使用IKAnalyzer，可以直接使用IK分词器的核心类，真正分词的实现类IKSegmenter分词器进行分词
    	public static void demo1() throws Exception {
    		StringReader reader = new StringReader("王五好吃懒做，溜须拍马，跟着李四，也过着小康的日子");
    		IKSegmenter ik = new IKSegmenter(reader, true);// 当为true时，分词器进行最大词长切分
    		Lexeme lexeme = null;
    		try {
    			while ((lexeme = ik.next()) != null)
    				System.out.println(lexeme.getLexemeText());
    		} catch (IOException e) {
    			e.printStackTrace();
    		} finally {
    			reader.close();
    		}
    	}
    }

注：可以根据我们自身的项目业务扩展自己的词典和StopWord

参考文章：  
1. [IKAnalyzer2012中文分词和去停用词零基础入门][IKAnalyzer2012]  
2. [Lucene的中文分词器IKAnalyzer][Lucene_IKAnalyzer]  
3. [IKAnalyzer结合Lucene使用和单独使用例子 简单性能测试][IKAnalyzer_Lucene_]  
4. [Lucene学习——IKAnalyzer中文分词][Lucene_IKAnalyzer 1]

5.[Lucene 3.6 中文分词、分页查询、高亮显示等][Lucene 3.6]

6.[IKAnalyzer中文分词，计算句子相似度][IKAnalyzer]

[https_code.google.com_p_ik-analyzer]: https://code.google.com/p/ik-analyzer
[https_github.com_wks_ik-analyzer]: https://github.com/wks/ik-analyzer
[https_github.com_linvar_IKAnalyzer]: https://github.com/linvar/IKAnalyzer
[https_ik-analyzer.googlecode.com_files_IK_20Analyzer_202012FF_hf1.zip]: https://ik-analyzer.googlecode.com/files/IK%20Analyzer%202012FF_hf1.zip
[IKAnalyzer2012]: http://blog.sina.com.cn/s/blog_92d2c5e10102vgoo.html
[Lucene_IKAnalyzer]: http://blog.csdn.net/howareyoutodaysoft/article/details/8223869
[IKAnalyzer_Lucene_]: http://www.itzhai.com/ikanalyzer-lucene-demo-performance-test.html
[Lucene_IKAnalyzer 1]: http://blog.csdn.net/cyxlzzs/article/details/8000385
[Lucene 3.6]: http://www.open-open.com/lib/view/open1347432540553.html
[IKAnalyzer]: http://my.oschina.net/twosnail/blog/370744