中文分词 mmseg4j 在 lucene 中的使用示例

mmseg4j 发布也有一段时间了，前些日子忙着发布新的版本，修正 bug 之类的。使用示例一直拖到现在，其实 svn 上的 test 有使用 lucene 例子。如果你了解 lucene ，就不用例子也可以很方便与它集成。

mmseg4j 有几个 analyzer：SimpleAnalyzer、ComplexAnalyzer、MaxWordAnalyzer、MMSegAnalyzer。前面 三个都是继承 MMSegAnalyzer，MMSegAnalyzer 默认使用 max-word 方式分词。这些 analyzer 都有无参数的构造函数，还有一个带词库目录为参数的构造函数。怎么用也没多少可说的，看下 svn 里 test：

package com.chenlb.mmseg4j.lucene;

import java.io.IOException;

import junit.framework.TestCase;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.CorruptIndexException;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.queryParser.ParseException;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TopDocs;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.RAMDirectory;

import com.chenlb.mmseg4j.analysis.ComplexAnalyzer;
import com.chenlb.mmseg4j.analysis.MaxWordAnalyzer;
import com.chenlb.mmseg4j.analysis.SimpleAnalyzer;

public class LuceneUseSimpleAnalyzerTest extends TestCase {

    Directory dir;
    Analyzer analyzer;

    @Override
    protected void setUp() throws Exception {
        String txt = "京华时报1月23日报道 昨天，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，同时伴有6到7级的偏北风。";
        //txt = "2008年底发了资金吗";
        analyzer = new SimpleAnalyzer();
        analyzer = new ComplexAnalyzer();
        //analyzer = new MaxWordAnalyzer();
        dir = new RAMDirectory();
        IndexWriter iw = new IndexWriter(dir, analyzer);
        Document doc = new Document();
        doc.add(new Field("txt", txt, Field.Store.YES, Field.Index.ANALYZED));
        iw.addDocument(doc);
        iw.commit();
        iw.optimize();
        iw.close();
    }

    public void testSearch() {
        try {
            IndexSearcher searcher = new IndexSearcher(dir);
            QueryParser qp = new QueryParser("txt", analyzer);
            Query q = qp.parse("西伯利亚"); //2008年底
            System.out.println(q);
            TopDocs tds = searcher.search(q, 10);
            System.out.println("======size:"+tds.totalHits+"========");
            for(ScoreDoc sd : tds.scoreDocs) {
                System.out.println(sd.score);
                System.out.println(searcher.doc(sd.doc).get("txt"));
            }
        } catch (CorruptIndexException e) {

            e.printStackTrace();
        } catch (IOException e) {

            e.printStackTrace();
        } catch (ParseException e) {

            e.printStackTrace();
        }
    }

}

package com.chenlb.mmseg4j.lucene;  import java.io.IOException;  import junit.framework.TestCase;  import org.apache.lucene.analysis.Analyzer; import org.apache.lucene.document.Document; import org.apache.lucene.document.Field; import org.apache.lucene.index.CorruptIndexException; import org.apache.lucene.index.IndexWriter; import org.apache.lucene.queryParser.ParseException; import org.apache.lucene.queryParser.QueryParser; import org.apache.lucene.search.IndexSearcher; import org.apache.lucene.search.Query; import org.apache.lucene.search.ScoreDoc; import org.apache.lucene.search.TopDocs; import org.apache.lucene.store.Directory; import org.apache.lucene.store.RAMDirectory;  import com.chenlb.mmseg4j.analysis.ComplexAnalyzer; import com.chenlb.mmseg4j.analysis.MaxWordAnalyzer; import com.chenlb.mmseg4j.analysis.SimpleAnalyzer;  public class LuceneUseSimpleAnalyzerTest extends TestCase {  	Directory dir; 	Analyzer analyzer;  	@Override 	protected void setUp() throws Exception { 		String txt = "京华时报1月23日报道 昨天，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，同时伴有6到7级的偏北风。"; 		//txt = "2008年底发了资金吗"; 		analyzer = new SimpleAnalyzer(); 		analyzer = new ComplexAnalyzer(); 		//analyzer = new MaxWordAnalyzer(); 		dir = new RAMDirectory(); 		IndexWriter iw = new IndexWriter(dir, analyzer); 		Document doc = new Document(); 		doc.add(new Field("txt", txt, Field.Store.YES, Field.Index.ANALYZED)); 		iw.addDocument(doc); 		iw.commit(); 		iw.optimize(); 		iw.close(); 	}  	public void testSearch() { 		try { 			IndexSearcher searcher = new IndexSearcher(dir); 			QueryParser qp = new QueryParser("txt", analyzer); 			Query q = qp.parse("西伯利亚");	//2008年底 			System.out.println(q); 			TopDocs tds = searcher.search(q, 10); 			System.out.println("======size:"+tds.totalHits+"========"); 			for(ScoreDoc sd : tds.scoreDocs) { 				System.out.println(sd.score); 				System.out.println(searcher.doc(sd.doc).get("txt")); 			} 		} catch (CorruptIndexException e) {  			e.printStackTrace(); 		} catch (IOException e) {  			e.printStackTrace(); 		} catch (ParseException e) {  			e.printStackTrace(); 		} 	}  } 

运行结果：

2009-4-26 22:41:02 com.chenlb.mmseg4j.Dictionary getDefalutPath
信息: look up in mmseg.dic.path=null
2009-4-26 22:41:02 com.chenlb.mmseg4j.Dictionary getDefalutPath
信息: look up in user.dir=M:\workspace\mmseg4j/data
2009-4-26 22:41:02 com.chenlb.mmseg4j.Dictionary loadDic
信息: chars loaded time=391ms, line=12638, on file=M:\workspace\mmseg4j\data\chars.dic
2009-4-26 22:41:02 com.chenlb.mmseg4j.Dictionary loadDic
信息: words loaded time=16ms, line=1, on file=M:\workspace\mmseg4j\data\words-my.dic
2009-4-26 22:41:06 com.chenlb.mmseg4j.Dictionary loadDic
信息: words loaded time=3406ms, line=157202, on file=M:\workspace\mmseg4j\data\words.dic
2009-4-26 22:41:06 com.chenlb.mmseg4j.Dictionary loadDic
信息: sort time=0ms
2009-4-26 22:41:06 com.chenlb.mmseg4j.Dictionary loadDic
信息: load dic use time=3844ms
2009-4-26 22:41:06 com.chenlb.mmseg4j.Dictionary loadUnit
信息: unit loaded time=16ms, line=22, on file=M:\workspace\mmseg4j\data\units.dic
txt:西伯利亚
======size:1========
0.047945753
京华时报1月23日报道 昨天，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，同时伴有6到7级的偏北风。

上面的运行环境是 lucene 2.4 的，如果你要再低版本的 lucene 运行，请看别一篇博客：中文分词 mmseg4j 1.7.2 版发布

如果你想在 solr 中使用 mmseg4j，请看：solr 中文分词 mmseg4j 使用例子