中文分词工具介绍

第1篇：中文分词工具介绍

中文分词工具

当前几个主要的Lucene中文分词器的比较 (ZZ)

1. 基本介绍：

paoding ：Lucene中文分词“庖丁解牛” Paoding Analysis

imdict ：imdict智能词典所采用的智能中文分词程序

mmseg4j ： 用 Chih-Hao Tsai 的 MMSeg 算法 实现的中文分词器

ik ：采用了特有的“正向迭代最细粒度切分算法“，多子处理器分析模式

2. 开发者及开发活跃度：

paoding ：qieqie.wang， google code 上最后一次代码提交：2008-06-12，svn 版本号 132 imdict ：XiaoPingGao， 进入了 lucene contribute，lucene trunk 中 contrib/analyzers/smartcn/ 最后一次提交：2009-07-24，

mmseg4j ：chenlb2008，google code 中 2009-08-03 (昨天)，版本号 57，log为：mmseg4j-1.7 创建分支

ik ：linliangyi2005，google code 中 2009-07-31，版本号 41

3. 用户自定义词库：

paoding ：支持不限制个数的用户自定义词库，纯文本格式，一行一词，使用后台线程检测词库的更新，自动编译更新过的词库到二进制版本，并加载

imdict ：暂时不支持用户自定义词库。但 原版 ICTCLAS 支持。支持用户自定义 stop words mmseg4j ：自带sogou词库，支持名为 wordsxxx.dic， utf8文本格式的用户自定义词库，一行一词。不支持自动检测。 -Dmmseg.dic.path

ik ：支持api级的用户词库加载，和配置级的词库文件指定，无 BOM 的 UTF-8 编码， 分割。不支持自动检测。

4. 速度(基于官方介绍，非自己测试)

paoding ：在PIII 1G内存个人机器上，1秒 可准确分词 100万 汉字

imdict ：483.64 (字节/秒)，259517(汉字/秒)

mmseg4j ： complex 1200kb/s左右, simple 1900kb/s左右

ik ：具有50万字/秒的高速处理能力

5. 算法和代码复杂度

paoding ：svn src 目录一共1.3M，6个properties文件，48个java文件，6895 行。使用不用的 Knife 切不同类型的流，不算很复杂。

imdict ：词库 6.7M(这个词库是必须的)，src 目录 152k，20个java文件，2399行。使用 ICTCLAS HHMM隐马尔科夫模型，“利用大量语料库的训练来统计汉语词汇的词频和跳转概率，从而根据这些统计结果对整个汉语句子计算最似然(likelihood)的切分”

mmseg4j ： svn src 目录一共 132k，23个java文件，2089行。MMSeg 算法 ，有点复杂。 ik ： svn src 目录一共6.6M(词典文件也在里面)，22个java文件，4217行。多子处理器分析，跟paoding类似，歧义分析算法还没有弄明白。

6. 文档

paoding ：几乎无。代码里有一些注释，但因为实现比较复杂，读代码还是有一些难度的。 imdict ： 几乎无。 ICTCLAS 也没有详细的文档，HHMM隐马尔科夫模型的数学性太强，不太好理解。

mmseg4j ： MMSeg 算法 是英文的，但原理比较简单。实现也比较清晰。

ik ：有一个pdf使用手册，里面有使用示例和配置说明。

7. 其它

paoding ：引入隐喻，设计比较合理。search 1.0 版本就用的这个。主要优势在于原生支持词库更新检测。主要劣势为作者已经不更新甚至不维护了。

imdict ：进入了 lucene trunk，原版 ictclas 在各种评测中都有不错的表现，有坚实的理论基础，不是个人山寨。缺点为暂时不支持用户词库。

mmseg4j ：在complex基础上实现了最多分词(max-word)，但是还不成熟，还有很多需要改进的地方。

ik ：针对Lucene全文检索优化的查询分析器IKQueryParser

8. 结论

个人觉得，可以在 mmseg4j 和 paoding 中选一个。关于这两个分词效果的对比，可以参考：

或者自己再包装一下，将 paoding 的词库更新检测做一个单独的模块实现，然后就可以在所有基于词库的分词算法之间无缝切换了。

ps，对不同的 field 使用不同的分词器是一个可以考虑的方法。比如 tag 字段，就应该使用一个最简单的分词器，按空格分词就可以了。

==============================以上部分为网上转载=============================

Paoding 的具体使用：

最新版本JAR包在Lucene3.0下会报错，直接使用Lucene2.9.4即可。另外其论坛说也可以直接使用源码编译。

字典的添加：添加新字典，需删除dic文件夹下.compiled文件，重新编译。

第2篇：luceneIKAnalyzer 中文分词及索引,简单实例

http:///posts/list/344.page

import org.apache.lucene.document.Document;

import org.apache.lucene.document.Field;

import org.apache.lucene.document.DateTools;

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.FSDirectory;

import org.mira.lucene.analysis.IK_CAnalyzer;

import java.io.File;

import java.io.FileNotFoundException;

import java.io.IOException;

import java.io.FileReader;

import java.util.Date;

public class Searcher {

private static String INDEX_DIR = Searcher.class.getResource("/").getPath()+"/data/index";//"c:luceneindex";

private static String DOC_DIR =Searcher.class.getResource("/").getPath();//"c:lucenedoc";public static void main(String[] args) throws Exception {String queryString;

queryString = "²âÊÔ";

File indexDir = new File(INDEX_DIR);

File docDir = new File(DOC_DIR);

Date start = new Date();

//±ØÐëÏȽ¨Ë÷Òý

try {

IndexWriter writer = new IndexWriter(INDEX_DIR, new IK_CAnalyzer(), true);

System.out.println("Indexing to directory + INDEX_DIR + ...");

indexDocs(writer, docDir);

System.out.println("Optimizing...");

writer.optimize();

writer.close();

Date end = new Date();

System.out.println(end.getTime()start) + "milliseconds) that matched query" + q + ":");

for (int i = 0; i < hits.length(); i++) {

Document doc = hits.doc(i); // ¢Ü µÃµ½Æ¥ÅäµÄÎĵµSystem.out.println("file: " + doc.get("path"));}

}

}

第3篇：让 Nutch 支援中文分词 方法教学 Nutch 1.0 + IK-Analyzer 3.1.6 中文分词库

讓 Nutch 支援中文分詞 方法教學Nutch 1.0 + IK-Analyzer 3.1.6 中文分詞庫

1. 前言

2. 何謂中文分詞

3. 方法

1. 修改程式碼

2. 重編 nutch

3. 開始使用

4. 完成

1. 選項：加入字典檔

2. 資訊不正確或麻煩

前言

Nutch 1.0 + IK-Analyzer 3.1.6 中文分詞庫 的詳細方法 本篇參考 ，並且修正與補充 何謂中文分詞

中文自動分詞指的是使用計算機自動對中文文本進行詞語的切分，即像英文那樣使得中文句子中的詞之間有空格以標識。中文自動分詞被認為是中文自然語言處理中的一個最基本的環節。

簡單來說，以"今天天氣真好"這段字而言，若搜尋"氣真"沒有中文分詞的結果為：1筆 => 今天天氣真好

有中文分詞：0筆 (因為詞庫為今天、天天、天氣、真、真好、好) 下面的例子即為，透過完成括充中文分詞(ik-analyzer)之後的nutch搜尋引擎，對"國家高速網路中心"的首頁(http://.tw/tw/) 作資料爬取，並以此為搜尋資料庫。

搜尋"中心"兩字 有74筆資料，但搜尋單一一個"心"字只有 4筆資料;反觀若是沒有經過中文分詞，則單搜尋"心"必定比搜尋"中心"的資料更多

1. 搜尋 中心 這個字串

2. 單搜尋 心 這個字

3. 搜尋 "冀此" 或單獨 "冀" 都沒有資料

ps : 搜尋"希冀"才會有資料

方法



你下載nutch-1.0 並解壓縮的資料如：$nutch-1.0/夾目錄位址，也是用來重編nutch的/home/user/nutch-1.0/資料夾原有的nutch資料夾，接著會被擴充$my_nutch_dir/opt/nutchez/nutch/ika中文詞庫

原本被用來放nutch網頁(在tomcat$my_tomcat_dir/opt/nutchez/tomcat內)的資料夾

修改程式碼

安裝必要工具(java 已經安裝)

sudo apt-get install javacc unrar ant

修改NutchAnalysis.jj 約130行左右的程式碼 (原本為：|

>)

cd $nutch-1.0/

vim src/java/org/apache/nutch/analysis/NutchAnalysis.jj

| )+ >

用編譯器 javacc 編譯出七個java檔

CharStream.javaNutchAnalysisTokenManager.java

TokenMgrError.java

NutchAnalysisConstants.javaParseException.java  NutchAnalysis.javaToken.java

cd $nutch-1.0/src/java/org/apache/nutch/analysis

javacc -OUTPUT_DIRECTORY=./ika/ NutchAnalysis.jj

mv ./ika/* ./ ; rm -rf ./ika/

編譯剛編出來的 .java

vim $nutch-1.0/src/java/org/apache/nutch/analysis/NutchAnalysis.java  在第48行加入ParseException：

public static Query parseQuery(String queryString, Configuration conf) throws IOException,ParseException

在第54行加入ParseException：

throws IOException,ParseException {

下載 IKAnalyzer3.1.6GA.jar 解壓縮

o nutch 1.0 用的是 lucene 2.4.0 hadoop 0.19

o 因此ik分詞器最新僅能用 3.1.6ga (3.2.0GA 以上版本只支援

lucene 2.9以上版本)

cd $nutch-1.0/

wget http://ik-analyzer.googlecode.com/files/IKAnalyzer3.1.6GA_AllInOne.rar mkdir ika

unrar x ./IKAnalyzer3.1.6GA_AllInOne.rar ika/

分別放到以下三個資料夾

用來重新編譯nutch

用來給 nutch 進行 crawl時所匯

入函式庫$nutch-1.0/lib/$my_nutch_dir/lib/

用來給網頁的搜尋介面使用的函$my_tomcat_dir/webapps/ROOT/WEB-INF/lib式庫

cp ika/IKAnalyzer3.1.6GA.jar lib/

cp $nutch-1.0/lib/IKAnalyzer3.1.6GA.jar $my_nutch_dir/lib/ cp $nutch-1.0/lib/IKAnalyzer3.1.6GA.jar

$my_tomcat_dir/webapps/ROOT/WEB-INF/lib  修改 NutchDocumentAnalyzer.java 程式碼

cd $nutch-1.0/

vim src/java/org/apache/nutch/analysis/NutchDocumentAnalyzer.java 將

public TokenStream tokenStream(String fieldName, Reader reader) {Analyzer analyzer;

if ("anchor".equals(fieldName))

analyzer = ANCHOR_ANALYZER;

else

analyzer = CONTENT_ANALYZER;

return analyzer.tokenStream(fieldName, reader);

}

修改成

public TokenStream tokenStream(String fieldName, Reader reader) {Analyzer analyzer = new org.wltea.analyzer.lucene.IKAnalyzer();return analyzer.tokenStream(fieldName, reader);

}

修改 build.xml，在 下(約195行)，

加入

cd $nutch-1.0/

vim build.xml

重編 nutch

重新編譯 nutch-1.0

ant

完成則多一個資料夾 build，

o build/ 目錄裡面的 nutch-job-1.0.job 就是重編後的核心

ant jar; ant war

分別產生 build/nutch-xxx.jar 與 build/nutch-xxx.war

開始使用

最後，將nutch-job-1.0.jar複製到我的nutchez資料夾內取代使用

o (下面的步驟小心的把原本的job作備份，也可以不用，改用新編

出來的直接取代)

cd $nutch-1.0/

mv $my_nutch_dir/nutch-1.0.job $my_nutch_dir/nutch-1.0-ori.job

cp build/nutch-1.0.job $my_nutch_dir/nutch-1.0-ika-waue-100715.job ln -sf $my_nutch_dir/nutch-1.0-ika-waue-100715.job

$my_nutch_dir/nutch-1.0.job

把nutch-1.0.war(原本nutch附的即可)，解壓縮後放在你的tomcat

目錄內(以下用 $my_tomcat_dir 代表我tomcat的實際目錄)的

/webapps/ROOT/中，並且再把"IKAnalyzer3.1.6GA.jar"、新編的

"nutch-1.0.jar" 放進 $my_tomcat_dir/webapps/ROOT/WEB-INF/lib 還有 $my_nutch_dir/lib/ 內

cd $nutch-1.0/

cp $nutch-1.0/build/ $my_nutch_dir/lib/

cd $my_tomcat_dir/webapps/ROOT/WEB-INF/lib

cp $nutch-1.0/build/nutch-1.0.jar ./

cp $nutch-1.0/lib/IKAnalyzer3.1.6GA.jar ./  最後用nutch 的 crawl 抓取網頁，搜索的結果就是按ik分過的中文詞完成



爬取後的資料就會依照中文分詞來分。中文分詞之後的結果並不會比較多，反而更少。但是精簡過後的搜尋結果

才能提供更準確的搜尋內容。

選項：加入字典檔

將 nutch-*.job 的檔案，用zip 工具解開，並將以下兩個檔案放入nutch-*.job 中即可











IKAnalyzer.cfg.xmlIK Analyzer/mydic.dic mydic.doc

國家高速

國家高速網路

國家高速網路與計算中心

資訊不正確或麻煩

接著將 build/classes 內的程式碼打包起來，建立nutch-1.0-ika.jar 函式庫 (麻煩，根本不需要)

cd $nutch-1.0/build/classes

jar cvf nutch-1.0-ika.jar .

cp nutch-1.0-ika.jar /opt/nutchez/nutch/lib/   即使用原始的nutch所crawl下來的資料，將 重編後的nutch-1.0.jar nutch-1.0.job IKAnalyzer3.1.6 正確放到你原本的nutch搜尋網頁中，重新啟動tomcat後，也可直接享用有分詞的結果 (不正確)

將 IKAnalyzer3.1.6GA.jar 的 /org/wltea/analyzer/dic/ 資料夾內 ，放入你要得字典檔，可以參考同資料夾內的 main.dic (不正確，沒用) Attachments

(162.6 kB)added by waueago.(13.7 kB)added by waueago. Download in other formats:

