中文分词器性能比较

原文：

http://www.cnblogs.com/wgp13x/p/3748764.html

摘要：本篇是本人在Solr的基础上，配置了中文分词器，并对其进行的性能测试总结，具体包括

使用mmseg4j、IKAnalyzer、Ansj，分别从创建索引效果、创建索引性能、数据搜索效率等方面进行衡量。

 

具体的Solr使用方法假设读者已有了基础，关于Solr的性能指标见前期的Solr博文。

前提：       Solr提供了一整套的数据检索方案，一台四核CPU、16G内存的机器，千兆网络。
需求：       1、对Solr创建索引的效率有一定的要求。

             2、中文分词速度要快，搜索速度也要快。

             3、中文分词准确率有一定的要求。

说明：      以下是在Solr上分别配置不同的中文分词器，它们之间的比较。

---

1.      中文分词

1.1  中文分词器概述

名称	最近更新	速度(网上情报)	扩展性支持、其它
mmseg4j	2013	complex 60W字/s (1200 KB/s) simple 100W字/s (1900 KB/s)	使用sougou词库，也可自定义 (complex\simple\MaxWord)
IKAnalyzer	2012	IK2012 160W字/s (3000KB/s)	支持用户词典扩展定义、支持自定义停止词 (智能\细粒度)
Ansj	2014	BaseAnalysis 300W字/s hlAnalysis 40W字/s	支持用户自定义词典，可以分析出词性，有新词发现功能
paoding	2008	100W字/s	支持不限制个数的用户自定义词库

 

注意：

中文分词器可能与最新版本Lucene不兼容，配置好运行时出现TokenStream contractviolation错误，对于mmseg4j需要更改com.chenlb.mmseg4j.analysis.MMSegTokenizer源码，添加super.reset()在reset()内，重新编译后替换原jar。

 

1.2  mmseg4j

创建索引效果：

FieldValue内容：

京華时报ぼおえ2009年1月23日报道，뭄내ㅠㅛㅜ치ㅗ受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度celsius degree，同时伴有6到7级的偏北风。

在词库中补充：

京華、뭄내、ぼおえ、受一股来

 

类型	结果
textMaxWord	京華|时报|ぼ|お|え|2009|年|1|月|23|日|报道|뭄|내|ㅠ|ㅛ|ㅜ|치|ㅗ|受|一股|来|自|中|西|伯|利|亚|的|强|冷|空气|影响|本市|出现|大风|降温|天气|白天|最高|气温|只有|零下|7|摄氏|度|celsius|degree|同时|伴有|6|到|7|级|的|偏|北风
textComplex	京華|时报|ぼおえ|2009|年|1|月|23|日|报道|뭄내ㅠㅛ|ㅜ|치|ㅗ|受一股来|自|中|西伯利亚|的|强|冷空气|影响|本市|出现|大风|降温|天气|白天|最高气温|只有|零下|7|摄氏度|celsius|degree|同时|伴有|6|到|7|级|的|偏|北风
textSimple	京華|时报|ぼおえ|2009|年|1|月|23|日|报道|뭄내ㅠㅛ|ㅜ|치|ㅗ|受一股来|自|中西|伯|利|亚|的|强|冷空气|影响|本市|出现|大风|降温|天气|白天|最高气温|只有|零下|7|摄氏度|celsius|degree|同时|伴有|6|到|7|级|的|偏|北风

 

创建索引效率：

17个各种类型字段，在solr博文中字段基础上，选一空string类型字段改为新类型，并写入文本内容（原纯文本Size约为400B，SolrInputDocument对象Size约为1130B）。

文本内容以词库中任选20词拼成的句子，每词大约3字，一句大约60字。

总数据量为2000W条数据，与2.2节相同配置。

字段类型	创建时间(s)	索引大小(GB)	网络(MB/s)	速率(W条/s)
textMaxWord	3115	4.95	6.0	0.64 (38W字/s)
textComplex	4860	4.3	5.0	0.41 (25W字/s)
textSimple	3027	4.32	6.5	0.66 (40W字/s)
string	2350	9.08	8.0	0.85 (57W字/s)

 

速度：在与“solr博文http://www.cnblogs.com/wgp13x/p/3742653.html”中1.2节相同配置的情况下，分词索引创建速度要差于不使用分词的。

大小：分词索引大小要小于不使用分词的，经测试分词字段配置成autoGeneratePhraseQueries="false"对索引大小几乎没有影响。

 

数据搜索效率：

文本内容以词库中任选20词拼成的句子，每词大约3字，一句大约60字，总数据量为2000W条数据。

字段类型	关键词	搜索时间(ms)	结果(条)
textMaxWord	一不做二不休	180	2556
textComplex	一不做二不休	59	2648
textSimple	一不做二不休	62	2622
string	*一不做二不休*	20000	2689
textMaxWord	一个国家两种制度	22	2620
textComplex	一个国家两种制度	12	2687
textSimple	一个国家两种制度	10	2670
string	*一个国家两种制度*	15500	2657
textMaxWord	一些	24	15999
textComplex	一些	11	2687
textSimple	一些	9	2665
string	*一些*	14200	15758
textMaxWord	转辗反侧	15	2622
textComplex	转辗反侧	5	2632
textSimple	转辗反侧	9	2676
string	*转辗反侧*	15600	2665

 

补充：

对于非中文、数字、英文词汇，包括繁体字，在词典中加入新词汇即可。

mmseg4j对于“都是先从容易的做起”，不能把“容易”分出来，分词结果为“都是|先|从容|易|的|做起”。

网上推荐使用textMaxWord类型分词。

 

1.3  IKAnalyzer

创建索引效果：

FieldValue内容、在词库中补充均同1.2。

分词字段配置autoGeneratePhraseQueries="false"

 

类型	结果
细粒度	京華|时报|ぼおえ|2009|年|1|月|23|日报|日|报道|뭄내ㅠㅛ|ㅜ|치|ㅗ|受一股来|一股|一|股|来自|中西|西伯利亚|西伯|伯利|亚|的|强冷空气|冷空气|空气|影响|本市|出现|大风|降温|天气|白天|最高|高气|气温|只有|有|零下|零|下|7|摄氏度|摄氏|度|celsius|degree|同时|伴有|有|6|到|7|级|的|偏北风|偏北|北风

 

创建索引效率：

字段类型	创建时间(s)	索引大小(GB)	网络(MB/s)	速率(W条/s)
细粒度	3584	5.06	6.0	0.56 (33W字/s)

 

速度：与1.2比较，分词索引创建速度要略差于使用mmseg4j分词的。

大小：分词索引大小要略大于使用mmseg4j分词的。

 

数据搜索效率：

字段类型	关键词	搜索时间(ms)	结果(条)
细粒度	一不做二不休	400	5949255
细粒度	一个国家两种制度	500	6558449
细粒度	一些	300	5312103
细粒度	转辗反侧	15	10588

 

补充：

mmseg4j中textMaxWord，“一不做二不休”被分为：一|不做|二不|不休；

IKAnalyzer中细粒度，“一不做二不休”被分为：一不做二不休|一|不做|二不休|二|不休；

因此同样使用autoGeneratePhraseQueries="false"，“一不做二不休”搜索，IKAnalyzer搜索出来的结果要远多于mmseg4j。

1.4  Ansj

创建索引效果：

FieldValue内容同1.2，没有补充词库。

 

                           

                                    

                           

                           

                                    

                           

 

结果

京华|时报|ぼ|お|え|2009年|1月|23日|报道|，|뭄|내|ㅠ|ㅛ|ㅜ|치|ㅗ|受|一股|来自|中|西伯利亚|的|强|强冷空气|冷空气|影响|，|本市|出现|大风|降温|天气|，|白天|最高|气温|只|只有|有|零下|7摄氏度|摄氏|摄氏度|celsius||degree|，|同时|伴|伴有|有|6|到|7级|的|偏|偏北风|北风|。

 

    “京華”二字被分词后变成了“京华”，据朋友介绍，它有将生僻字改字的Bug。

 

创建索引效率：

字段类型	创建时间(s)	索引大小(GB)	网络(MB/s)	速率(W条/s)
细粒度	3815	5.76	5.2	0.52 (31W字/s)

 

速度：与1.2、1.3比较，分词索引创建速度要略差于使用mmseg4j、IKAnalyzer分词的。

大小：分词索引大小要略大于使用mmseg4j、IKAnalyzer分词的。

 

数据搜索效率：

关键词	搜索时间(ms)	结果(条)
一不做二不休	200	2478
一个国家两种制度	15	0
一些	25	15665
转辗反侧	6	2655

 

1.5  总结

按分词后的结果进行搜索，若在分词字段配置autoGeneratePhraseQueries="false"，则是搜索条件先分词，再使用分词在结果中搜索，默认的是true。autoGeneratePhraseQueries="false"对创建索引速度没影响，对搜索结果有影响。也可以修改Solr的QueryPasser，对于输入的一个字符串，先进行相应分词，再使用分词结果在索引集中搜索。

精确或模糊*搜索，都是以词为单位搜索。精确搜索是指返回所有包含分词的结果。

分词器能对word、letter、digit等进行识别。

对于不使用分词的String类型进行搜索，只能通过模糊搜索*，搜到连字，以字为单位搜索。

在分词索引内搜索，速度较快；不分词，需要遍历所有文档，速度较慢。

如果需要分词的话，那分词速度是主要瓶颈。

综合考虑，mmseg4j是首选的中文分词器。

 

如有需要具体的测试代码，可以跟本人联系。