lucene关于中文分词的问题

关于中文分词的问题，因为Lucene毕竟是国外的大牛们开发的，显然会比较侧重英文文章，不过还好，在Lucene的下载包里同步了SmartCN的分词器针对中文发行的，每一次Lucene有新的版本发行，这个包同时更新。

笔者比较推荐的中文分词器是IK分词器，在进入正式的讲解之前，我们首先对Lucene里面内置的几个分析器做个了解.


分析器类型 基本介绍
WhitespaceAnalyzer 以空格作为切词标准，不对语汇单元进行其他规范化处理
SimpleAnalyzer 以非字母符来分割文本信息，并将语汇单元统一为小写形式，并去掉数字类型的字符
StopAnalyzer 该分析器会去除一些常有a,the,an等等，也可以自定义禁用词
StandardAnalyzer Lucene内置的标准分析器,会将语汇单元转成小写形式，并去除停用词及标点符号
CJKAnalyzer 能对中，日，韩语言进行分析的分词器，对中文支持效果一般。
SmartChineseAnalyzer 对中文支持稍好，但扩展性差
 

评价一个分词器的性能优劣，关键是看它的切词效率以及灵活性，及扩展性，通常情况下一个良好的中文分词器，应该具备扩展词库，禁用词库和同义词库，当然最关键的是还得要与自己的业务符合，因为有些时候我们用不到一些自定义词库，所以选择分词器的时候就可以不考虑这一点。IK官网发布的最新版IK分词器对于Lucene的支持是不错的，但是对于solr的支持就不够好了，需要自己改源码支持solr4.x的版本。笔者使用的另一个IK包是经过一些人修改过的可以支持solr4.3的版本，并对扩展词库，禁用词库，同义词库完全支持，而且在solr里面配置很简单，只需要在schmal.xml进行简单配置，即可使用IK分词器的强大的定制化功能。不过官网上IK作者发布的IK包在lucene里面确都不支持同义词库扩展的功能，如果你想使用，得需要自己修改下源码了，不过即使自己修改扩展同义词也是非常容易的。


下面笔者给出使用官网最后一版发布的IK在Lucene中做的测试，笔者使用的已经扩展了同义词库部分，后面会给出源码。

下面先看第一个纯分词的测试



Java代码 复制代码 收藏代码
1.package com.ikforlucene; 
2. 
3.import java.io.StringReader; 
4. 
5.import org.apache.lucene.analysis.TokenStream; 
6.import org.apache.lucene.analysis.tokenattributes.CharTermAttribute; 
7. 
8. 
9.public class Test { 
10.     
11.      
12.    public static void main(String[] args)throws Exception { 
13.                      //下面这个分词器，是经过修改支持同义词的分词器 
14.          IKSynonymsAnalyzer analyzer=new IKSynonymsAnalyzer(); 
15.           String text="三劫散仙是一个菜鸟"; 
16.           TokenStream ts=analyzer.tokenStream("field", new StringReader(text)); 
17.            CharTermAttribute term=ts.addAttribute(CharTermAttribute.class); 
18.            ts.reset();//重置做准备 
19.            while(ts.incrementToken()){ 
20.                System.out.println(term.toString()); 
21.            } 
22.            ts.end();// 
23.            ts.close();//关闭流 
24.         
25.          
26.    } 
27. 
28.} 


运行结果:



Java代码 复制代码 收藏代码
1.三 
2.劫 
3.散 
4.仙 
5.是 
6.一个 
7.菜鸟 



第二步，测试扩展词库，使三劫为一个词，散仙为一个词,需要在同义词库里添加三劫,散仙（注意是按行读取的）,注意保存的格式为UTF-8或无BOM格式即可



添加扩展词库后运行结果如下:



Java代码 复制代码 收藏代码
1.三劫 
2.散仙 
3.是 
4.一个 
5.菜鸟 



第三步，测试禁用词库，我们把菜鸟二个字给屏蔽掉,每行一个词，保存格式同上.


添加禁用词库后运行结果如下:



Java代码 复制代码 收藏代码
1.三劫 
2.散仙 
3.是 
4.一个 



最后我们再来测试下，同义词部分，现在笔者把河南人,洛阳人作为"一个"这个词的同义词，添加到同义词库中(笔者在这里仅仅是做一个测试，真正生产环境中的同义词肯定是正式的),注意同义词，也是按行读取的，每行的同义词之间使用逗号分割。


添加同义词库后运行结果如下:



Java代码 复制代码 收藏代码
1.三劫 
2.散仙 
3.是 
4.一个 
5.河南人 
6.洛阳人 



至此，使用IK在Lucene4.3中大部分功能都已测试通过，下面给出扩展同义词部分的源码，有兴趣的道友们，可以参照借鉴下。




Java代码 复制代码 收藏代码
1.package com.ikforlucene; 
2. 
3.import java.io.IOException; 
4.import java.io.Reader; 
5.import java.util.HashMap; 
6.import java.util.Map; 
7. 
8.import org.apache.lucene.analysis.Analyzer; 
9.import org.apache.lucene.analysis.Tokenizer; 
10.import org.apache.lucene.analysis.synonym.SynonymFilterFactory; 
11.import org.apache.solr.core.SolrResourceLoader; 
12.import org.wltea.analyzer.lucene.IKTokenizer; 
13./**
14. * 可以加载同义词库的Lucene
15. * 专用IK分词器
16. * 
17. * 
18. * */ 
19.public class IKSynonymsAnalyzer extends Analyzer { 
20. 
21.      
22.    @Override 
23.    protected TokenStreamComponents createComponents(String arg0, Reader arg1) { 
24.         
25.        Tokenizer token=new IKTokenizer(arg1, true);//开启智能切词 
26.         
27.        Map<String, String> paramsMap=new HashMap<String, String>(); 
28.        paramsMap.put("luceneMatchVersion", "LUCENE_43"); 
29.        paramsMap.put("synonyms", "E:\\同义词\\synonyms.txt"); 
30.        SynonymFilterFactory factory=new SynonymFilterFactory(paramsMap); 
31.         SolrResourceLoader loader= new SolrResourceLoader(""); 
32.        try { 
33.            factory.inform(loader); 
34.        } catch (IOException e) { 
35.            // TODO Auto-generated catch block 
36.            e.printStackTrace(); 
37.        } 
38.      
39.        return new TokenStreamComponents(token, factory.create(token)); 
40.    } 
41.     
42.     
43.     
44. 
45.} 


关于同义词部分的使用，各位道友，可以先去官网上下载源码，然后将此同义词扩展部分放进去即可，非常简单方便