结巴（jieba）分词的使用-Java实现

结巴分词Java版

结巴分词的使用比较方便，效果也不错，也无需连接网络即可使用。在项目中使用到了结巴分词，故在此做个小笔记。

本项目中所想实现的是如下的较精准模式。

支持三种分词模式：

1、较精确模式：试图将句子最较精确地切开，适合文本分析；         

          【我/ 来到/ 北京/ 清华大学】

2、全模式：把句子中所有的可以成词的词语都扫描出来, 速度较快，但是不能解决歧义；

          【我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学】

3、搜索引擎模式：在较精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

          【小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所】

创建工程

工程目录：

                          

conf：conf目录是添加词库的，希望组合的词或者不被拆分的词都可以添加在该目录下的文件中。

这里的词库可以使用搜狗词库和自定义词库。

自定义词库的格式：

一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。

              

sougou.dict词库包：（共有94640个）

下载链接：sougou.dict

              

本人创建的是maven项目，需要导入jieba-analysis的jar包：

    com.huaban
    jieba-analysis
    1.0.2

测试代码：

package com.test.Jieba;

import java.nio.file.Paths;
import org.junit.Test;
import com.huaban.analysis.jieba.JiebaSegmenter;
import com.huaban.analysis.jieba.WordDictionary;
import junit.framework.TestCase;

public class JiebaTest extends TestCase {
	
    private JiebaSegmenter segmenter = new JiebaSegmenter();
    String sentences = "北京京天威科技发展有限公司大庆车务段的装车数量";

    /**
     * 读取conf目录下所有的自定义词库**.dict文件。
     */
    @Override
    protected void setUp() throws Exception {
        WordDictionary.getInstance().init(Paths.get("conf"));
    }

    @Test
    public void testCutForSearch() {
        System.out.println(segmenter.sentenceProcess(sentences));
    }
}

代码很简单，主要就是创建对象，加载配置文件，文本分词。

效果展示：

1、在不适用自定义词库的情况下的分词效果：

      [北京, 京, 天威, 科技, 发展, 有限公司, 大庆, 车务段, 的, 装车, 数量]

2、在使用自定义词库的情况下的分词效果：

      [北京, 京天威科技发展有限公司, 大庆车务段, 的, 装车数量]