IK Analyzer是一个开源的,基于java语言开发的轻量级的中文分词工具包。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,它是以开源项目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。在2012版本中,IK实现了简单的分词歧义排除算法,标志着IK分词器从单纯的词典分词向模拟语义分词衍化。
IK Analyzer 2012特性:
1.采用了特有的“正向迭代最细粒度切分算法“,支持细粒度和智能分词两种切分模式;
2.在系统环境:Core2 i7 3.4G双核,4G内存,window 7 64位, Sun JDK 1.6_29 64位 普通pc环境测试,IK2012具有160万字/秒(3000KB/S)的高速处理能力。
3.2012版本的智能分词模式支持简单的分词排歧义处理和数量词合并输出。
4.采用了多子处理器分析模式,支持:英文字母、数字、中文词汇等分词处理,兼容韩文、日文字符
5.优化的词典存储,更小的内存占用。支持用户词典扩展定义。特别的,在2012版本,词典支持中文,英文,数字混合词语。
基于以上IK Analyzer分词器的强大功能,对其进行了简单使用,代码如下:
package org.apache.lucene.demo; import java.io.IOException; 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.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.IndexWriterConfig; import org.apache.lucene.queryparser.classic.ParseException; import org.apache.lucene.queryparser.classic.QueryParser; import org.apache.lucene.search.IndexSearcher; import org.apache.lucene.search.Query; import org.apache.lucene.search.ScoreDoc; import org.apache.lucene.search.TopDocs; import org.apache.lucene.store.RAMDirectory; import org.apache.lucene.util.Version; import org.wltea.analyzer.lucene.IKAnalyzer; public class IKAnalyzerDemo { /** * @param args * @throws IOException */ public static void main(String[] args) throws IOException { // TODO Auto-generated method stub //建立索引 String text1 = "IK Analyzer是一个结合词典分词和文法分词的中文分词开源工具包。它使用了全新的正向迭代最细粒度切" + "分算法。"; String text2 = "中文分词工具包可以和lucene是一起使用的"; String text3 = "中文分词,你妹"; String fieldName = "contents"; Analyzer analyzer = new IKAnalyzer(); RAMDirectory directory = new RAMDirectory(); IndexWriterConfig writerConfig = new IndexWriterConfig(Version.LUCENE_34, analyzer); IndexWriter indexWriter = new IndexWriter(directory, writerConfig); Document document1 = new Document(); document1.add(new Field("ID", "1", Field.Store.YES, Field.Index.NOT_ANALYZED)); document1.add(new Field(fieldName, text1, Field.Store.YES, Field.Index.ANALYZED)); indexWriter.addDocument(document1); Document document2 = new Document(); document2.add(new Field("ID", "2", Field.Store.YES, Field.Index.NOT_ANALYZED)); document2.add(new Field(fieldName, text2, Field.Store.YES, Field.Index.ANALYZED)); indexWriter.addDocument(document2); Document document3 = new Document(); document3.add(new Field("ID", "2", Field.Store.YES, Field.Index.NOT_ANALYZED)); document3.add(new Field(fieldName, text3, Field.Store.YES, Field.Index.ANALYZED)); indexWriter.addDocument(document3); indexWriter.close(); //搜索 IndexReader indexReader = IndexReader.open(directory); IndexSearcher searcher = new IndexSearcher(indexReader); String request = "中文分词工具包"; QueryParser parser = new QueryParser(Version.LUCENE_40, fieldName, analyzer); parser.setDefaultOperator(QueryParser.AND_OPERATOR); try { Query query = parser.parse(request); TopDocs topDocs = searcher.search(query, 5); System.out.println("命中数:"+topDocs.totalHits); ScoreDoc[] docs = topDocs.scoreDocs; for(ScoreDoc doc : docs){ Document d = searcher.doc(doc.doc); System.out.println("内容:"+d.get(fieldName)); } } catch (ParseException e) { // TODO Auto-generated catch block e.printStackTrace(); }finally{ if(indexReader != null){ try{ indexReader.close(); }catch (IOException e) { e.printStackTrace(); } } if(directory != null){ try{ directory.close(); }catch (Exception e) { e.printStackTrace(); } } } } }
运行结果:
命中数:2
内容:中文分词工具包可以和lucene是一起使用的
内容:IK Analyzer是一个结合词典分词和文法分词的中文分词开源工具包。它使用了全新的正向迭代最细粒度切分算法。
ps:例子确实很简单,只是作记录,大牛不用看了