Lucene中文分词组件 JE-Analysis 1.4.0

本站申明： 该组件免费安装使用传播，无限制商业应用，但暂不开源，也不提供任何保证 分词效率： 第一次分词需要1－2秒（读取词典），之后速度基本与Lucene自带分词持平 运行环境： Lucene 1.9+ 内存消耗： 30M+ 1.4.0 —— 2006-08-21 增加词典的动态扩展能力 1.3.3 —— 2006-07-23 修正无法多次增加词典的问题 1.3.2 —— 2006-07-03 修正细粒度分词错误的问题 1.3.1 —— 2006-06-23 修正在某些情况下分词遗漏的问题 1.3 —— 2006-06-22 实现了词尾消歧算法中第一层的过滤 增加日期时间的匹配 1.2.2 —— 2006-06-13 完善了中英文噪声词典 1.2.1 —— 2006-06-10 修正中文数字成语无法识别的问题 1.2 —— 2006-06-08 增加中文数字的匹配（如：二零零六） 数量词采用“n”作为数字通配符 优化词典结构以便修改调整 1.1 —— 2006-06-06 增加扩展词典的静态读取方法 1.0.1 —— 2006-06-02 修正无法识别生僻字的问题 1.0 —— 2006-05-29 支持英文、数字、中文（简体）混合分词 常用的数量和人名的匹配 超过22万词的词库整理 实现正向最大匹配算法 支持分词粒度控制 420){this.resized=true;this.style.width=420;}"> 下载  文件名 je-analysis-1.4.0.jar  描述    大小 878 Kbytes  下载次数:  216 time(s)

//采用正向最大匹配的中文分词算法，相当于分词粒度等于0 MMAnalyzer analyzer = new MMAnalyzer(); //参数为分词粒度：当字数等于或超过该参数，且能成词，该词就被切分出来 MMAnalyzer analyzer = new MMAnalyzer(2); //增加一个新词典，采用每行一个词的读取方式 MMAnalyzer.addDictionary(reader); //增加一个新词 MMAnalyzer.addWord(newWord);   package demo.analysis; import java.io.IOException; import jeasy.analysis.MMAnalyzer; public class Segment {      public static void main(String[] args)      {          String text = "据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，"          + "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，"          + "20000余人受伤，近20万人无家可归。";                   MMAnalyzer analyzer = new MMAnalyzer();          try          {                  System.out.println(analyzer.segment(text, " | "));          }          catch (IOException e)          {                  e.printStackTrace();          }      } } 生成效果： 据 | 路透社 | 报道 | 印度尼西亚 | 社会 | 事务 | 部 | 官员 | 星期二 | 29日 | 表示 | 日惹 | 市 | 附近 | 当地时间 | 27日 | 晨 | 5时 | 53分 | 发生 | 里氏 | 6.2级 | 地震 | 已经 | 造成 | 至少 | 5427人 | 死亡 | 20000 | 余人 | 受伤 | 近 | 20万人 | 无家可归 | <!---->   package demo.analysis; import jeasy.analysis.MMAnalyzer; import org.apache.lucene.analysis.Analyzer; import org.apache.lucene.document.Document; import org.apache.lucene.document.Field; import org.apache.lucene.index.IndexWriter; import org.apache.lucene.queryParser.QueryParser; import org.apache.lucene.search.Hits; import org.apache.lucene.search.IndexSearcher; import org.apache.lucene.search.Query; import org.apache.lucene.store.Directory; import org.apache.lucene.store.RAMDirectory; public class Segment {           public static void main(String[] args)      {          String fieldName = "text";          String text = "据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，"              + "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，"              + "20000余人受伤，近20万人无家可归。"; //检索内容          //采用正向最大匹配的中文分词算法          Analyzer analyzer = new MMAnalyzer();          Directory directory = new RAMDirectory();          //Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);          try           {              IndexWriter iwriter = new IndexWriter(directory, analyzer, true);              iwriter.setMaxFieldLength(25000);              Document doc = new Document();              doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.TOKENIZED));              iwriter.addDocument(doc);              iwriter.close();                           IndexSearcher isearcher = new IndexSearcher(directory);              QueryParser parser = new QueryParser(fieldName, analyzer);              Query query = parser.parse("印度尼西亚 6.2级地震");//检索词              Hits hits = isearcher.search(query);              System.out.println("命中：" + hits.length());              for (int i = 0; i < hits.length(); i++)              {                  Document hitDoc = hits.doc(i);                  System.out.println("内容：" + hitDoc.get(fieldName));              }              isearcher.close();              directory.close();          }          catch (Exception e)          {              e.printStackTrace();          }        }      } 生成效果： 命中：1 内容：据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生 的里氏6.2级地震已经造成至少5427人死亡，20000余人受伤，近20万人无家可归。 <!---->   package demo.analysis; import jeasy.analysis.MMAnalyzer; import org.apache.lucene.analysis.Analyzer; import org.apache.lucene.analysis.TokenStream; import org.apache.lucene.document.Document; import org.apache.lucene.document.Field; import org.apache.lucene.index.IndexReader; import org.apache.lucene.index.IndexWriter; import org.apache.lucene.index.TermPositionVector; import org.apache.lucene.queryParser.QueryParser; import org.apache.lucene.search.Hits; import org.apache.lucene.search.IndexSearcher; import org.apache.lucene.search.Query; import org.apache.lucene.search.highlight.Highlighter; import org.apache.lucene.search.highlight.QueryScorer; import org.apache.lucene.search.highlight.TokenSources; import org.apache.lucene.store.Directory; import org.apache.lucene.store.RAMDirectory; public class Segment {      public static void main(String[] args)      {          String fieldName = "text";          String text = "据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，"              + "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，"              + "20000余人受伤，近20万人无家可归。"; //检索内容          //采用正向最大匹配的中文分词算法          Analyzer analyzer = new MMAnalyzer();          Directory directory = new RAMDirectory();          //Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);          try          {              IndexWriter iwriter = new IndexWriter(directory, analyzer, true);              iwriter.setMaxFieldLength(25000);              Document doc = new Document();              doc.add(new Field(fieldName, text, Field.Store.YES,                      Field.Index.TOKENIZED,                      Field.TermVector.WITH_POSITIONS_OFFSETS));              iwriter.addDocument(doc);              iwriter.close();              IndexSearcher isearcher = new IndexSearcher(directory);              QueryParser parser = new QueryParser(fieldName, analyzer);              Query query = parser.parse("印度尼西亚 6.2级地震");//检索词              Hits hits = isearcher.search(query);              System.out.println("命中：" + hits.length());              Highlighter highlighter = new Highlighter(new QueryScorer(query));              for (int i = 0; i < hits.length(); i++)              {                  text = hits.doc(i).get(fieldName);                  TermPositionVector tpv = (TermPositionVector) IndexReader.open(                      directory).getTermFreqVector(hits.id(i), fieldName);                  TokenStream tokenStream = TokenSources.getTokenStream(tpv);                  String result = highlighter.getBestFragments(tokenStream, text, 3, "...");                  System.out.println("内容：" + result);              }              isearcher.close();              directory.close();          }          catch (Exception e)          {              e.printStackTrace();          }      } } 生成效果： 命中：1 内容：据路透社报道，<B>印度尼西亚</B>社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生的 里氏<B>6.2级</B><B>地震</B>已经造成至少5427人死亡，20000余人受伤，近20万人无家可归 来源:http://www.jesoft.cn/posts/list/5.page