欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

lucene-JE中文分词

程序员文章站 2022-05-16 09:33:36
...

1、比较好的JAVA写的JE分词http://jesoft.cn:9080/je-analysis-1.5.3.jar,官网http://www.jesoft.cn/

2、提供相关的API

//采用正向最大匹配的中文分词算法,相当于分词粒度等于0
MMAnalyzer analyzer = new MMAnalyzer();

//参数为分词粒度:当字数等于或超过该参数,且能成词,该词就被切分出来
MMAnalyzer analyzer = new MMAnalyzer(int wordLength);

//字符串切分,常用于客户的关键字输入
analyzer.segment(String text, String separator);


词典维护API(静态方法):

//增加一个新词典,采用每行一个词的读取方式(注意:多线程状态下此时的分词效果将不可预料)
MMAnalyzer.addDictionary(Reader reader);

//增加一个新词
MMAnalyzer.addWord(String newWord);

//删除词库中的全部词语(注意:非常危险的操作,在没有加载新的词库前所有的分词都将失效)
MMAnalyzer.clear();

//词库中是否包含该词
MMAnalyzer.contains(String word);

//从词库中移除该词
MMAnalyzer.removeWord(String word);

//当前词库中包含的词语总数
MMAnalyzer.size();

3、使用说明

 

符串切分  
package demo.analysis;  
 
import java.io.IOException;  
 
import jeasy.analysis.MMAnalyzer;  
 
public class Segment  
{  
 
public static void main(String[] args)  
{  
String text = "据路透社报道,印度尼西亚社会事务部一官员星期二(29日)表示,"  
+ "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡,"  
+ "20000余人受伤,近20万人无家可归。";  
 
MMAnalyzer analyzer = new MMAnalyzer();  
try  
{  
System.out.println(analyzer.segment(text, " | "));  
}  
catch (IOException e)  
{  
e.printStackTrace();  
}  
}  
}  
 
生成效果:  
   
据 | 路透社 | 报道 | 印度尼西亚 | 社会 | 事务 | 部 | 官员 | 星期二 | 29日 | 表示 | 日惹 | 市 |
附近 | 当地时间 | 27日 | 晨 | 5时 | 53分 | 发生 | 里氏 | 6.2级 | 地震 | 已经 | 造成 | 至少 |
5427人 | 死亡 | 20000 | 余人 | 受伤 | 近 | 20万人 | 无家可归 |
 
Lucene搜索  
package demo.analysis;  
 
import jeasy.analysis.MMAnalyzer;  
 
import org.apache.lucene.analysis.Analyzer;  
import org.apache.lucene.document.Document;  
import org.apache.lucene.document.Field;  
import org.apache.lucene.index.IndexWriter;  
import org.apache.lucene.queryParser.QueryParser;  
import org.apache.lucene.search.Hits;  
import org.apache.lucene.search.IndexSearcher;  
import org.apache.lucene.search.Query;  
import org.apache.lucene.store.Directory;  
import org.apache.lucene.store.RAMDirectory;  
 
public class Segment  
{  
 
public static void main(String[] args)  
{  
String fieldName = "text";  
String text = "据路透社报道,印度尼西亚社会事务部一官员星期二(29日)表示,"  
+ "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡,"  
+ "20000余人受伤,近20万人无家可归。"; //检索内容  
 
//采用正向最大匹配的中文分词算法  
Analyzer analyzer = new MMAnalyzer();  
 
Directory directory = new RAMDirectory();  
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);  
 
try  
{  
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);  
iwriter.setMaxFieldLength(25000);  
Document doc = new Document();  
doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.TOKENIZED));  
iwriter.addDocument(doc);  
iwriter.close();  
 
IndexSearcher isearcher = new IndexSearcher(directory);  
QueryParser parser = new QueryParser(fieldName, analyzer);  
Query query = parser.parse("印度尼西亚 6.2级地震");//检索词  
Hits hits = isearcher.search(query);  
System.out.println("命中:" + hits.length());  
 
for (int i = 0; i < hits.length(); i++)  
{  
Document hitDoc = hits.doc(i);  
System.out.println("内容:" + hitDoc.get(fieldName));  
}  
 
isearcher.close();  
directory.close();  
}  
catch (Exception e)  
{  
e.printStackTrace();  
}  
}  
 
}  
 
生成效果:  
   
命中:1  
内容:据路透社报道,印度尼西亚社会事务部一官员星期二(29日)表示,日惹市附近当地时间27日晨5时53分发生的
里氏6.2级地震已经造成至少5427人死亡,20000余人受伤,近20万人无家可归。
 
 
搜索词加亮  
package demo.analysis;  
 
import jeasy.analysis.MMAnalyzer;  
 
import org.apache.lucene.analysis.Analyzer;  
import org.apache.lucene.analysis.TokenStream;  
import org.apache.lucene.document.Document;  
import org.apache.lucene.document.Field;  
import org.apache.lucene.index.IndexReader;  
import org.apache.lucene.index.IndexWriter;  
import org.apache.lucene.index.TermPositionVector;  
import org.apache.lucene.queryParser.QueryParser;  
import org.apache.lucene.search.Hits;  
import org.apache.lucene.search.IndexSearcher;  
import org.apache.lucene.search.Query;  
import org.apache.lucene.search.highlight.Highlighter;  
import org.apache.lucene.search.highlight.QueryScorer;  
import org.apache.lucene.search.highlight.TokenSources;  
import org.apache.lucene.store.Directory;  
import org.apache.lucene.store.RAMDirectory;  
 
public class Segment  
{  
 
public static void main(String[] args)  
{  
String fieldName = "text";  
String text = "据路透社报道,印度尼西亚社会事务部一官员星期二(29日)表示,"  
+ "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡,"  
+ "20000余人受伤,近20万人无家可归。"; //检索内容  
 
//采用正向最大匹配的中文分词算法  
Analyzer analyzer = new MMAnalyzer();  
 
Directory directory = new RAMDirectory();  
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);  
 
try  
{  
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);  
iwriter.setMaxFieldLength(25000);  
Document doc = new Document();  
doc.add(new Field(fieldName, text, Field.Store.YES,  
Field.Index.TOKENIZED,  
Field.TermVector.WITH_POSITIONS_OFFSETS));  
iwriter.addDocument(doc);  
iwriter.close();  
 
IndexSearcher isearcher = new IndexSearcher(directory);  
QueryParser parser = new QueryParser(fieldName, analyzer);  
Query query = parser.parse("印度尼西亚 6.2级地震");//检索词  
Hits hits = isearcher.search(query);  
System.out.println("命中:" + hits.length());  
 
Highlighter highlighter = new Highlighter(new QueryScorer(query));  
for (int i = 0; i < hits.length(); i++)  
{  
text = hits.doc(i).get(fieldName);  
TermPositionVector tpv = (TermPositionVector) IndexReader.open(  
directory).getTermFreqVector(hits.id(i), fieldName);  
TokenStream tokenStream = TokenSources.getTokenStream(tpv);  
String result = highlighter.getBestFragments(tokenStream, text, 3, "...");  
System.out.println("内容:" + result);  
}  
 
isearcher.close();  
directory.close();  
}  
catch (Exception e)  
{  
e.printStackTrace();  
}  
}  
 
}