mmseg4j支持单个字母、数字及组合搜索

原文地址:http://blog.csdn.net/july_2/article/details/24481935         

如题，看到这个题目也许觉得功能有些多余，字母、数字连在一块的话，是不会单独分出来的，分词时候是连在一块的，也算正常搜素需求。如输入 ：

        String txt = "IBM12二次修改123";        分词效果：

        i bm |123 | 二 | 次 | 修 | 改

        现在，有一个需求：需要对字母、数字都分词，分词效果要达到：

        i | b | m |  1 | 2 | 3 | 二 | 次 | 修 | 改

        类似在数据库中使用like加百分号双向查询效果，使用最初版本的mmseg4j无法满足需求，经过阅读mmseg4j部分源代码，稍微修改了一点点，即可满足需求（暂不考虑效率）。

•  未修改前通过单词，可以查询，通过字母查询不到结果如下图：

         单词完全匹配搜素：

           字母模糊搜索：

• 修改mmseg4j源代码MMSeg.java中的next部分代码，其实就是屏蔽了部分代码，很简单：

        

 public Word next() throws IOException {
         //先从缓存中取
         Word word = bufWord.poll();
         if(word == null) {
             bufSentence.setLength(0);

             int data = -1;
             boolean read = true;
 //          while(read && (data=readNext()) != -1) {
             while((data=readNext()) != -1) {
                 read = false;   //默认一次可以读出同一类字符,就可以分词内容
                 int type = Character.getType(data);
                 String wordType = Word.TYPE_WORD;
                 switch(type) {
                 case Character.UPPERCASE_LETTER:
                 case Character.LOWERCASE_LETTER:
                 case Character.TITLECASE_LETTER:
                 case Character.MODIFIER_LETTER:
                     /*
                      * 1. 0x410-0x44f -> А-я //俄文
                      * 2. 0x391-0x3a9 -> Α-Ω //希腊大写
                      * 3. 0x3b1-0x3c9 -> α-ω //希腊小写
                      */
                     data = toAscii(data);
                     NationLetter nl = getNation(data);
                     if(nl == NationLetter.UNKNOW) {
                         read = true;
                         break;
                     }
                     wordType = Word.TYPE_LETTER;
                     bufSentence.appendCodePoint(data);
                     switch(nl) {
                     case EN:
                         //字母后面的数字,如: VH049PA
 //                      ReadCharByAsciiOrDigit rcad = new ReadCharByAsciiOrDigit();
 //                      readChars(bufSentence, rcad);
 //                      if(rcad.hasDigit()) {
 //                          wordType = Word.TYPE_LETTER_OR_DIGIT;
 //                      }
                         //only english
                         //readChars(bufSentence, new ReadCharByAscii());
                         break;
                     case RA:
                         readChars(bufSentence, new ReadCharByRussia());
                         break;
                     case GE:
                         readChars(bufSentence, new ReadCharByGreece());
                         break;
                     }
                     bufWord.add(createWord(bufSentence, wordType));

                     bufSentence.setLength(0);

                     break;
                 case Character.OTHER_LETTER:
                     /*
                      * 1. 0x3041-0x30f6 -> ぁ-ヶ   //日文(平|片)假名
                      * 2. 0x3105-0x3129 -> ㄅ-ㄩ   //注意符号
                      */
                     bufSentence.appendCodePoint(data);
                     readChars(bufSentence, new ReadCharByType(Character.OTHER_LETTER));

                     currentSentence = createSentence(bufSentence);

                     bufSentence.setLength(0);

                     break;
                 case Character.DECIMAL_DIGIT_NUMBER:
                     bufSentence.appendCodePoint(toAscii(data));
 //                  readChars(bufSentence, new ReadCharDigit());    //读后面的数字, AsciiLetterOr
                     wordType = Word.TYPE_DIGIT;
                     int d = readNext();
                     if(d > -1) {
                         if(seg.isUnit(d)) { //单位,如时间
                             bufWord.add(createWord(bufSentence, startIdx(bufSentence)-1, Word.TYPE_DIGIT)); //先把数字添加(独立)

                             bufSentence.setLength(0);

                             bufSentence.appendCodePoint(d);
                             wordType = Word.TYPE_WORD;  //单位是 word
                         } else {    //后面可能是字母和数字
                             pushBack(d);
 //                          if(readChars(bufSentence, new ReadCharByAsciiOrDigit()) > 0) {   //如果有字母或数字都会连在一起.
 //                              wordType = Word.TYPE_DIGIT_OR_LETTER;
 //                          }
                         }
                     }

                     bufWord.add(createWord(bufSentence, wordType));


                     bufSentence.setLength(0);   //缓存的字符清除

                     break;
                 case Character.LETTER_NUMBER:
                     // ⅠⅡⅢ 单分
                     bufSentence.appendCodePoint(data);
                     readChars(bufSentence, new ReadCharByType(Character.LETTER_NUMBER));

                     int startIdx = startIdx(bufSentence);
                     for(int i=0; i
                         bufWord.add(new Word(new char[] {bufSentence.charAt(i)}, startIdx++, Word.TYPE_LETTER_NUMBER));
                     }

                     bufSentence.setLength(0);   //缓存的字符清除

                     break;
                 case Character.OTHER_NUMBER:
                     //①⑩㈠㈩⒈⒑⒒⒛⑴⑽⑾⒇ 连着用
                     bufSentence.appendCodePoint(data);
                     readChars(bufSentence, new ReadCharByType(Character.OTHER_NUMBER));

                     bufWord.add(createWord(bufSentence, Word.TYPE_OTHER_NUMBER));
                     bufSentence.setLength(0);
                     break;
                 default :
                     //其它认为无效字符
                     read = true;
                 }//switch
             }

             // 中文分词
             if(currentSentence != null) {
                 do {
                     Chunk chunk = seg.seg(currentSentence);
                     for(int i=0; i
                         bufWord.add(chunk.getWords()[i]);
                     }
                 } while (!currentSentence.isFinish());

                 currentSentence = null;
             }

             word = bufWord.poll();
         }

         return word;
     }

         主要是注释了一些代码，对字母、数字不要连续处理。

• 再次搜索字母查询，效果如下：

         综上，这样就简单完成了数据库中类似like和百分号双向匹配需求。