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  >  IT编程

Lucene-分词器简介及IK分词器的使用

程序员文章站 2022-04-20 18:12:44
在对文档(Document)中的内容进行索引前, 需要对域(Field)中的内容使用分析对象(分词器)进行分词. IK分词器是一款功能完备、扩展性较高的中文分词器, 企业开发中使用较多. ......

1 分词器简介及IK分词器的使用

1.1 分词器简介

在对文档(Document)中的内容进行索引前, 需要对域(Field)中的内容使用分析对象(分词器)进行分词.

分词的目的是为了索引, 索引的目的是为了搜索.

  • 分词的过程是 先分词, 再过滤:
  • 分词: 将Document中Field域的值切分成一个一个的单词. 具体的切分方法(算法)由具体使用的分词器内部实现.
  • 过滤: 去除标点符号,去除停用词(的、是、is、the、a等), 词的大写转为小写.
  • 分词流程图:
    Lucene-分词器简介及IK分词器的使用

  • 停用词说明:
    停用词是指为了节省存储空间和提高搜索效率, 搜索引擎在索引内容或处理搜索请求时会自动忽略的字词, 这些字或词被称为"stop words". 如语气助词、副词、介词、连接词等, 通常自身没有明确的含义, 只有放在一个上下文语句中才有意义(如:的、在、啊, is、a等).

例如:
​ 原始文档内容: Lucene is a Java full-text search engine
​ 分析以后的词: lucene java full text search engine

1.2 分词器的使用

1.2.1 索引流程使用

流程: 把原始数据转换成文档对象(Document), 再使用分词器将文档域(Field)的内容切分成一个一个的词语.

目的: 方便后续建立索引.

1.2.2 检索流程使用

流程: 根据用户输入的查询关键词, 使用分词器将关键词进行分词以后, 建立查询对象(Query), 再执行搜索.

注意: 索引流程和检索流程使用的分词器, 必须统一.

1.3 中文分词器

1.3.1 中文分词器简介

英文本身是以单词为单位, 单词与单词之间, 句子之间通常是空格、逗号、句号分隔. 因而对于英文, 可以简单的以空格来判断某个字符串是否是一个词, 比如: I love China, love和China很容易被程序处理.

但是中文是以字为单位的, 字与字再组成词, 词再组成句子. 中文: 我爱中国, 电脑不知道“爱中”是一个词, 还是“中国”是一个词?所以我们需要一定的规则来告诉电脑应该怎么切分, 这就是中文分词器所要解决的问题.

常见的有一元切分法“我爱中国”: 我、爱、中、国. 二元切分法”我爱中国”: 我爱, 爱中、中国.

1.3.2 Lucene提供的中文分词器

  • StandardAnalyzer分词器:

    单字分词器: 一个字切分成一个词, 一元切分法.

  • CJKAnalyzer分词器:

    二元切分法: 把相邻的两个字, 作为一个词.

  • SmartChineseAnalyzer分词器:

    通常一元切分法, 二元切分法都不能满足我们的业务需求. 而SmartChineseAnalyzer对中文支持较好, 但是扩展性差, 针对扩展词库、停用词均不好处理.

说明: Lucene提供的中文分词器, 只做了解, 企业项目中不推荐使用.

1.3.3 第三方中文分词器

  • paoding: 庖丁解牛分词器, 可在下载. 没有持续更新, 只支持到lucene3.0, 项目中不予以考虑使用.

  • mmseg4j: 最新版已从https://code.google.com/p/mmseg4j/移至. 支持Lucene4.10, 且在github中有持续更新, 使用的是mmseg算法.
  • IK-analyzer: 最新版在上, 支持Lucene 4.10. 从2006年12月推出1.0版开始, IKAnalyzer已经推出了4个大版本. 最初是以开源项目Luence为应用主体的, 结合词典分词和文法分析算法的中文分词组件. 从3.0版本开始, IK发展为面向Java的公用分词组件, 独立于Lucene项目, 同时提供了对Lucene的默认优化实现. 适合在项目中应用.

1.4 使用IK分词器

说明: 由于IK分词器是对Lucene分词器的扩展实现, 使用IK分词器与使用Lucene分词器是一样的.
Lucene-分词器简介及IK分词器的使用

1.4.1 配置pom.xml文件, 加入IK分词器的依赖

<project>
    <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <!-- mysql版本 -->
        <mysql.version>5.1.44</mysql.version>
        <!-- lucene版本 -->
        <lucene.version>4.10.4</lucene.version>
        <!-- ik分词器版本 -->
        <ik.version>2012_u6</ik.version>
    </properties>
    
    <dependencies>
        <!-- ik分词器 -->
        <dependency>
            <groupId>com.janeluo</groupId>
            <artifactId>ikanalyzer</artifactId>
            <version>${ik.version}</version>
        </dependency>
    </dependencies>
</project> 

1.4.2 修改索引流程的分词器

Lucene-分词器简介及IK分词器的使用

1.4.3 修改检索流程的分词器

Lucene-分词器简介及IK分词器的使用

1.4.4 重新创建索引

使用Lucene默认的标准分词器(一元分词器):
Lucene-分词器简介及IK分词器的使用

使用ik分词器之后(对中文分词支持较好):
Lucene-分词器简介及IK分词器的使用

1.5 扩展中文词库

说明: 企业开发中, 随着业务的发展, 会产生一些新的词语不需要分词, 而需要作为整体匹配, 如: 尬聊, 戏精, 蓝瘦香菇; 也可能有一些词语会过时, 需要停用.

-- 通过配置文件来实现.

1.5.1 加入IK分词器的配置文件

Lucene-分词器简介及IK分词器的使用

说明: 这些配置文件需要放到类的根路径下.

1.5.2 增加扩展词演示(扩展: 人民邮电出版社)

说明: 在ext.dic文件中增加"人民邮电出版社":
Lucene-分词器简介及IK分词器的使用

注意: 不要使用Windows自带的记事本或Word, 因为这些程序会在文件中加入一些标记符号(bom, byte order market), 导致配置文件不能被识别.

增加扩展词之后:
Lucene-分词器简介及IK分词器的使用

1.5.3 增加停用词演示(增加: 的、和)

在stopword.dic文件增加停用词(的、和):
Lucene-分词器简介及IK分词器的使用

增加停用词之前:
Lucene-分词器简介及IK分词器的使用

增加停用词之后:
Lucene-分词器简介及IK分词器的使用

注意事项: 修改扩展词配置文件ext.dic和停用词配置文件stopword.dic, 不能使用windows自带的记事本程序修改, 否则修改以后不生效: 记事本程序会增加一些bom符号.

推荐使用notepad++, sublime, eclipse自带的编辑器修改.

版权声明

作者: ma_shoufeng(马瘦风)

出处: 博客园

您的支持是对博主的极大鼓励, 感谢您的阅读.

本文版权归博主所有, 欢迎转载, 但未经博主同意必须保留此段声明, 且在文章页面明显位置给出原文链接, 否则博主保留追究法律责任的权利.