关键字：中文分词、IKAnalyzer
最近有个需求，需要对爬到的网页内容进行分词，以前没做过这个，随便找了找中文分词工具，貌似IKAnalyzer评价不错，因此就下来试试，在这里记录一下使用方法，备查。
关于IKAnalyzer的介绍，网上很多，搜一下就知道了。下载地址见文章最后面。
下载解压之后主要使用和依赖以下文件：
IKAnalyzer2012_u6.jar — IKAnalyzer核心jar包
IKAnalyzer.cfg.xml — 配置文件，可以在这里配置停词表和扩展词库
stopword.dic — 停词表
lucene-core-3.6.0.jar — lucene jar包，注意：只能使用这个3.6版本，高版本有问题
IKAnalyzer中文分词器V2012_U5使用手册.pdf — 使用手册
新建Java项目，将IKAnalyzer2012_u6.jar和lucene-core-3.6.0.jar添加到Build Path，将stopword.dic和IKAnalyzer.cfg.xml添加到项目根目录。
看一下IKAnalyzer.cfg.xml的内容：
<?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> <!–用户可以在这里配置自己的扩展字典 –> <entry key="ext_dict"></entry> <!–用户可以在这里配置自己的扩展停止词字典–> <entry key="ext_stopwords">stopword.dic;</entry> </properties>
使用示例代码：
package com.lxw1234.wordsplit;
import java.io.StringReader;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.wltea.analyzer.lucene.IKAnalyzer;
/**
*
* @author lxw的大数据田地 -- lxw1234.com
*
*/
public class Test {
public static void main(String[] args) throws Exception {
String text = "lxw的大数据田地 -- lxw1234.com 专注Hadoop、Spark、Hive等大数据技术博客。 北京优衣库";
Analyzer analyzer = new IKAnalyzer(false);
StringReader reader = new StringReader(text);
TokenStream ts = analyzer.tokenStream("", reader);
CharTermAttribute term=ts.getAttribute(CharTermAttribute.class);
while(ts.incrementToken()){
System.out.print(term.toString()+"|");
}
analyzer.close();
reader.close();
}
}
执行结果为：
lxw|的|大数|数据|田地|lxw1234.com|lxw|1234|com|专注|hadoop|spark|hive|等|大数|数据|技术|博客|北京|优|衣|库|
分词分的很细。
看这个构造函数：Analyzer analyzer = new IKAnalyzer(false);
IKAnalyzer支持两种分词模式：最细粒度和智能分词模式，如果构造函数参数为false，那么使用最细粒度分词。
改成智能分词模式之后的结果：
Analyzer analyzer = new IKAnalyzer(true);
lxw|的|大|数据|田地|lxw1234.com|专注|hadoop|spark|hive|等|大|数据|技术|博客|北京|优|衣|库|
结果还是不太理想，“大数据”和“优衣库”都被分开了，原因是IKAnalyzer自带的词库里面没有这两个词。
需要配置扩展词库。
在项目根目录新建文件MyDic.dic，里面内容为：
大数据
优衣库
每行一个词，特别注意：MyDic.dic的文件编码必须为UTF-8。
编辑IKAnalyzer.cfg.xml配置文件，添加扩展词库：
<!–用户可以在这里配置自己的扩展字典 –>
<entry key="ext_dict">MyDic.dic;</entry>
再运行：
lxw|的|大数据|田地|lxw1234.com|专注|hadoop|spark|hive|等|大数据|技术|博客|北京|优衣库|
这下基本是我们想要的结果了。
参考更多大数据Hadoop、Spark、Hive相关：lxw的大数据田地
下载地址：https://code.google.com/p/ik-analyzer/downloads/list
这个地址估计大家不方便，上传了一份到网盘：