最新:IKAnalyzer3.2.3稳定版已经发布,支持Lucene3.0和solr1.4 链接:http://www./topic/667095 lucene 2.9以前用户请使用 IKAnalyzer V3.1.6GAhttp://linliangyi2007./blog/512577 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3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。新版本的IK Analyzer 3.0则发展为面向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。 1.1 IK Analyzer 3.0结构设计 1.2 IK Analyzer 3.0特性
1.3 分词效果示例 文本原文1: 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3个大版本。 分词结果: ik-analyzer | 是 | 一个 | 一 | 个 | 开源 | 的 | 基于 | java | 语言 | 开发 | 的 | 轻量级 | 量级 | 的 | 中文 | 分词 | 工具包 | 工具 | 从 | 2006 | 年 | 12 | 月 | 推出 | 1.0 | 版 | 开始 | ikanalyzer | 已经 | 推出 | 出了 | 3 | 个大 | 个 | 版本 文本原文2: 永和服装饰品有限公司 分词结果: 永和 | 和服 | 服装 | 装饰品 | 装饰 | 饰品 | 有限 | 公司 文本原文3: 作者博客:linliangyi2007. 电子邮件:linliangyi2005@gmail.com 分词结果: 作者 | 博客 | linliangyi2007. | 2007 | 电子邮件 | 电子 | 邮件 | 地址 | linliangyi2005@gmail.com | 2005 2.使用指南 2.1下载地址 GoogleCode开源项目 :http://code.google.com/p/ik-analyzer/ GoogleCode SVN下载:http://ik-analyzer./svn/trunk/ 2.2安装部署 IK Analyzer安装包包含: 1. 《IKAnalyzer中文分词器V3.0使用手册》(即本文档) 2. IKAnalyzer3.0GA.jar 3. IKAnalyzer.cfg.xml 它的安装部署十分简单,将IKAnalyzer3.0GA.jar部署于项目的lib目录中;IKAnalyzer.cfg.xml文件放置在代码根目录(对于web项目,通常是WEB-INF/classes目录,同hibernate、log4j等配置文件相同)下即可。 2.3 Lucene用户快速入门 代码样例
执行结果: 命中:1 内容:Document<stored/uncompressed,indexed,tokenized<text: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。>> 2.4 关键API说明 ? 类org.wltea.analyzer.lucene.IKAnalyzer 说明:IK分词器的主类,是IK分词器的Lucene Analyzer类实现。 该类使用方法请参考 “代码样例”章节 ? 类org.wltea.analyzer.lucene.IKQueryParser ? public static Query parse(String field , String query) throws IOException 说明:单条件,单Field查询分析 参数1 :String field, 查询的目标域名称 参数2 :String query , 查询的关键字 返回值:构造一个单条件,单Field查询器 ? public static Query parseMultiField(String[] fields , String query) throws IOException 说明:多Field,单条件查询分析 参数1 :String[] fields, 多个查询的目标域名称的数组 参数2 :String query , 查询的关键字 返回值:构造一个多Field,单条件的查询器 ? public static Query parseMultiField(String[] fields , String query , BooleanClause.Occur[] flags) throws IOException 说明:多Field,单条件,多Occur查询分析 参数1 :String[] fields, 多个查询的目标域名称的数组 参数2 :String query , 查询的关键字 参数3 :BooleanClause.Occur[] flags , 查询条件的组合方式(Or/And) 返回值:构造一个多Field,单条件,多Occur的查询器 ? public static Query parseMultiField(String[] fields , String[] queries) throws IOException 说明:多Field,多条件查询分析 参数1 :String[] fields, 多个查询的目标域名称的数组 参数2 :String[] queries , 对应多个查询域的关键字数组 返回值:构造一个多Field,多条件的查询器 ? public static Query parseMultiField(String[] fields , String[] queries , BooleanClause.Occur[] flags) throws IOException 说明:多Field,多条件,多Occur查询 参数1 :String[] fields, 多个查询的目标域名称的数组 参数2 :String[] queries , 对应多个查询域的关键字数组 参数3 :BooleanClause.Occur[] flags , 查询条件的组合方式(Or/And) 返回值:构造一个多Field, 多条件, 多Occur的查询器 ? 类org.wltea.analyzer.lucene.IKSimilarity 说明: IKAnalyzer 的相似度评估器。该类重载了DefaultSimilarity的coord方法,提高词元命中个数在相似度比较中的权重影响,即,当有多个词元得到匹配时,文档的相似度将提高。 该类使用方法请参考 “代码样例”章节 ? 类org.wltea.analyzer.IKSegmentation 说明: 这是IK分词器的核心类。它是真正意义上的分词器实现。IKAnalyzer的3.0版本有别于之前的版本,它是一个可以独立于Lucene的Java分词器实现。当您需要在Lucene以外的环境中单独使用IK中文分词 组件时,IKSegmentation正是您要找的。 ? public Lexeme next() throws IOException 说明:读取分词器切分出的下一个语义单元,如果返回null,表示分词器已经结束。 返回值:Lexeme 语义单元对象,即相当于Lucene的词元对象Token ? 类org.wltea.analyzer.Lexeme 说明: 这是IK分词器的语义单元对象,相当于Lucene中的Token词元对象。由于3.0版本被设计为独立于Lucene的Java分词器实现,因此它需要Lexeme来代表分词的结果。 ? public int getBeginPosition() 说明:获取语义单元的起始字符在文本中的位置 返回值:int , 语义单元相对于文本的绝对起始位置 ? public int getEndPosition() 说明:获取语义单元的结束字符的下一个位置 返回值:int , 语义单元相对于文本的绝对终止位置的下一个字符位置 ? public int getLength() 说明:获取语义单元包含字符串的长度 返回值:int , 语义单元长度 = getEndPosition – getBeginPosition ? public String getLexemeText() 说明:获取语义单元包含字符串内容 返回值:String, 语义单元的实际内容,即分词的结果 3.词表扩展 目前,IK分词器自带的主词典拥有22万左右的汉语单词量。由于作者个人的精力有限,并没有对搜集到的词库进行全范围的筛选、清理。此外,对于分词组件应用场景所涉及的领域的不同,也需要各类专业词库的支持。为此,IK分词器提供了对词典的扩充支持。 基于API的词典扩充 IK分词器支持使用API编程模型扩充您的词典。如果您的词典是存储与数据库中,这个方式应该对您适用。API如下: ? 类org.wltea.analyzer.dic.Dictionary 说明: IK分词器的词典对象。它负责中文词汇的加载,内存管理和匹配检索。 ? public static void loadExtendWords(List<String> extWords) 说明:加载用户扩展的词汇列表到IK的主词典中,增加分词器的可识别词语。 参数1:List<String> extWords , 扩展的词汇列表 返回值:无 3.2基于配置的词典扩充 IK分词器还支持通过配置IKAnalyzer.cfg.xml文件来扩充您的专有词典。 1. 部署IKAnalyzer.cfg.xml IKAnalyzer.cfg.xml部署在代码根目录下(对于web项目,通常是WEB-INF/classes目录)同hibernate、log4j等配置文件相同。 2. 词典文件的编辑与部署 分词器的词典文件格式是无BOM的UTF-8编码的中文文本文件,文件扩展名不限。词典中,每个中文词汇独立占一行,使用\r\n的DOS方式换行。(注,如果您不了解什么是无BOM的UTF-8格式, 请保证您的词典使用UTF-8存储,并在文件的头部添加一空行)。您可以参考分词器源码org.wltea.analyzer.dic包下的.dic文件。 词典文件应部署在Java的资源路径下,即ClassLoader能够加载的路径中。(推荐同IKAnalyzer.cfg.xml放在一起) 3. IKAnalyzer.cfg.xml文件的配置
在配置文件中,用户可一次配置多个词典文件。文件名使用“;”号分隔。文件路径为相对java包的起始根路径。 (全文终) 下载 :IKAnalyzer3.1.1稳定版完整包.rar 更多详细请参看《IKAnalyzer中文分词器V3.1.1使用手册.pdf》 |
|