Lucene的中文分詞器IKAnalyzer
分詞器對英文的支持是非常好的。
一般分詞經(jīng)過的流程：
1）切分關(guān)鍵詞
2）去除停用詞
3）把英文單詞轉(zhuǎn)為小寫
但是老外寫的分詞器對中文分詞一般都是單字分詞，分詞的效果不好。
國人林良益寫的IK Analyzer應(yīng)該是最好的Lucene中文分詞器之一，而且隨著Lucene的版本更新而不斷更新，目前已更新到IK Analyzer 2012版本。
IK Analyzer是一個開源的，基于java語言開發(fā)的輕量級的中文分詞工具包。到現(xiàn)在，IK發(fā)展為面向Java的公用分詞組件，獨立于Lucene項目，同時提供了對Lucene的默認優(yōu)化實現(xiàn)。在2012版本中，IK實現(xiàn)了簡單的分詞歧義排除算法，標志著IK分詞器從單純的詞典分詞向模擬語義分詞衍化。
在系統(tǒng)環(huán)境：Core2 i7 3.4G雙核，4G內(nèi)存，window 7 64位， Sun JDK 1.6_29 64位 普通pc環(huán)境測試，IK2012具有160萬字/秒（3000KB/S）的高速處理能力。
特別的，在2012版本，詞典支持中文，英文，數(shù)字混合詞語。
IK Analyzer 2012版本的分詞效果示例：
IK Analyzer2012版本支持 細粒度切分 和 智能切分。
我們看兩個演示樣例：
1）文本原文1：
IKAnalyzer是一個開源的，基于java語言開發(fā)的輕量級的中文分詞工具包。從2006年12月推出1.0版本開始，IKAnalyzer已經(jīng)推出了3個大版本。
智能分詞結(jié)果：
ikanalyzer | 是 | 一個 | 開源 | 的 | 基于 | java | 語言 | 開發(fā) | 的 | 輕量級 | 的 | 中文 | 分詞 | 工具包 | 從 | 2006年 | 12月 | 推出 | 1.0版 | 開始 | ikanalyzer | 已經(jīng) | 推 | 出了 | 3個 | 大 | 版本
最細粒度分詞結(jié)果：
ikanalyzer | 是 | 一個 | 一 | 個 | 開源 | 的 | 基于 | java | 語言 | 開發(fā) | 的 | 輕量級| 量級 | 的 | 中文 | 分詞 | 工具包 | 工具 | 包 | 從 | 2006 | 年 | 12 | 月 | 推出 | 1.0 | 版 | 開始 | ikanalyzer | 已經(jīng) | 推出 | 出了 | 3 | 個 | 大 | 版本
2）文本原文2：
張三說的確實在理。
智能分詞結(jié)果：
張三 | 說的 | 確實 | 在理
最細粒度分詞結(jié)果：
張三 | 三 | 說的 | 的確 | 的 | 確實 | 實在 | 在理
IKAnalyzer的使用
1）下載地址：
GoogleCode開源項目：http://code.google.com/p/ik-analyzer/
GoogleCode下載地址：http://code.google.com/p/ik-analyzer/downloads/list
2）兼容性：
IKAnalyzer 2012版本兼容Lucene3.3以上版本。
3）安裝部署：
十分簡單，只需要將IKAnalyzer2012.jar引入項目中就可以了。對于"的"、"了"、"著"之類的停用詞，它有一個詞典stopword.dic。把stopword.dic和IKAnalyzer.cfg.xml復(fù)制到class根目錄就可以啟用停用詞功能和擴展自己的詞典。
4）測試例子：
新建一個Java Project，引入Lucene所需的jar文件和IKAnalyzer2012.jar文件，把stopword.dic和IKAnalyzer.cfg.xml復(fù)制到class根目錄，建立一個擴展詞典ext.dic和中文停用詞詞典chinese_stopword.dic。
IKAnalyzer2012發(fā)布包自帶的stopword.dic里面存的是英文的停用詞。所以我們新建一個chinese_stopword.dic，用來存放中文停用詞。chinese_stopword.dic需要使用UTF-8編碼。詞典中，每個中文詞匯獨占一行。
chinese_stopword.dic內(nèi)容格式：
IKAnalyzer.cfg.xml：
1 <?xml version="1.0" encoding="UTF-8"?> 2 <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> 3 <properties> 4 <comment>IK Analyzer 擴展配置</comment> 5 <!--用戶可以在這里配置自己的擴展字典 --> 6 <entry key="ext_dict">ext.dic;</entry> 7 8 <!--用戶可以在這里配置自己的擴展停止詞字典--> 9 <entry key="ext_stopwords">stopword.dic;chinese_stopword.dic</entry> 10 11 </properties>
可以配置多個詞典文件，文件使用";"號分隔。文件路徑為相對java包的起始根路徑。
擴展詞典ext.dic需要為UTF-8編碼。
ext.dic內(nèi)容：
我把"2012"作為一個詞，"歐洲杯四強賽"作為一個詞。
測試分詞代碼：
1 package com.cndatacom.lucene.test; 2 3 import java.io.StringReader; 4 5 import org.apache.lucene.analysis.Analyzer; 6 import org.apache.lucene.analysis.TokenStream; 7 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute; 8 import org.junit.Test; 9 import org.wltea.analyzer.lucene.IKAnalyzer; 10 11 12 /** 13 * IKAnalyzer 分詞器測試 15 */ 16 public class IKAnalyzerTest { 17 18 @Test 19 public void testIKAnalyzer() throws Exception { 20 21 String keyWord = "2012年歐洲杯四強賽"; 22 23 IKAnalyzer analyzer = new IKAnalyzer(); 24 25 //使用智能分詞 26 analyzer.setUseSmart(true); 27 28 //打印分詞結(jié)果 29 printAnalysisResult(analyzer,keyWord); 30 31 } 32 33 /** 34 * 打印出給定分詞器的分詞結(jié)果 35 * @param analyzer 分詞器 36 * @param keyWord 關(guān)鍵詞 37 * @throws Exception 38 */ 39 private void printAnalysisResult(Analyzer analyzer, String keyWord) throws Exception { 40 System.out.println("當前使用的分詞器：" + analyzer.getClass().getSimpleName()); 41 TokenStream tokenStream = analyzer.tokenStream("content", new StringReader(keyWord)); 42 tokenStream.addAttribute(CharTermAttribute.class); 43 while (tokenStream.incrementToken()) { 44 CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class); 45 System.out.println(new String(charTermAttribute.buffer())); 46 } 47 } 48 }
打印出來的分詞結(jié)果：
可以看到”2012“作為一個詞，“歐洲杯四強賽”也是作為一個詞，停用詞”年“已被過濾掉。