IKAnalyzer使用停用词词典进行分词

转载自：https://www.cnblogs.com/yxwkf/p/5224231.html

@Test // 測试分词的效果，以及停用词典是否起作用

public void test() throws IOException { 
    String text = "老爹我们都爱您。"; 
    Configuration configuration = DefaultConfig.getInstance(); 
    configuration.setUseSmart(true); 
    IKSegmenter ik = new IKSegmenter(new StringReader(text), configuration); 
    Lexeme lexeme = null; 
    while ((lexeme = ik.next()) != null) { 
        System.out.println(lexeme.getLexemeText()); 
    } 
}

第二个样例

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.StringReader;

import javax.imageio.stream.FileImageInputStream;

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;


public class TestStopWords {
	public static void main(String[] args) throws IOException {
		String keyWords = "2012年那个欧洲杯四强赛";
		InputStreamReader isr = new InputStreamReader(new FileInputStream(new File("data/stopword.txt")));
		IKSegmenter ikSegmenter = new IKSegmenter(isr, true);
		Lexeme lexeme = null;
		while((lexeme=ikSegmenter.next())!= null){
			System.out.println(lexeme.getLexemeText());
		}
	}
}

程序的执行结果是：

载入扩展停止词典：stopword.dic
载入扩展停止词典：chinese_stopwords.dic
老爹
都爱

IKAnalyzer.cfg.xml的配置例如以下：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
	<comment>IK Analyzer 扩展配置</comment>
	<!--用户能够在这里配置自己的扩展字典 <entry key="ext_dict">ext.dic;</entry>假设有多个扩展词典。那么以分号分隔就可以，如以下的两个扩展停止词字典 -->
	<!--用户能够在这里配置自己的扩展停止词字典 -->
	<entry key="ext_stopwords">stopword.dic;chinese_stopwords.dic</entry>
</properties>

注意点：

1、停用词词典必须是UTF-8编码。

2、这里非常多跟我一样的新手没办法成功的原因就是被无bom的UTF-8格式给折磨的，IK作者自己也这样说了。

3、假设你不知道啥叫无BOM，也不确定自己的文件是不是UTF-8无bom，那么请在第一行使用回车换行，从第二行開始加入停止词。

4、该配置文件以及停用词词典均存放在src文件夹以下就可以。