Lucene.net中文分词探究
一、中文分词方式：
中文分词几种常用的方式：
A． 单字分词
单字分词，顾名思义，就是按照中文一个字一个字地进行分词。如：我们是中国人，效果：我/们/是/中/国/人。
B． 二分法
二分法，就是按两个字进行切分。如：我们是中国人，效果：我们/们是/是中/中国/国人。
C． 词库分词
词库分词，就是按某种算法构造词然后去匹配已建好的词库集合，如果匹配到就切分出来成为词语。通常词库分词被认为是最理想的中文分词算法如：我们是中国人，通成效果为：我们/是/中国/中国人。
二、Lucene.net中五种中文分词效果探究
在Lucene.net中有很多种分词器，不同分词器使用了不同的分词算法，有不同的分词效果，满足不同的需求！在这里主要是看看其中五中分词器用来对中文切词的效果。五中分词器分别为：StandardTokenizer，CJKTokenizer，ChinessTokenizer，LowerCaseTokenizer，WhitespaceTokenizer;
下面就来测试一下它们切词的效果：
测试目标：是否支持中文词语，英文单词，邮件，IP地址，标点符号，数字，数学表达式的切割。
测试文字：“我们是中国人; 我们 是 人;we are chiness; 172.16.34.172;[email protected];#$*;85*34;58 69 ”
|
测试StandardTokenizer的分词情况如下： 我/ 们/ 是/ 中/ 国/ 人/ 我/ 们/ 是/ 人/ we/ are/ chiness/ 172.16.34.172/ [email protected]/ 85/ 34/ 58/ 69/ 测试CJKTokenizer的分词情况如下： 我们/ 们是/ 是中/ 中国/ 国人/ 我们/ 是/ 人/ we/ chiness/ 172/ 16/ 34/ 172/ youpe izun/ 126/ com/ #/ 85/ 34/ 58/ 69/ 测试ChinessTokenizer的分词情况如下： 我/ 们/ 是/ 中/ 国/ 人/ 我/ 们/ 是/ 人/ we/ are/ chiness/ 172/ 16/ 34/ 172/ youp eizun/ 126/ com/ 85/ 34/ 58/ 69/ 测试LowerCaseTokenizer的分词情况如下： 我们是中国人/我们/是/人/we/are/chiness/youpeizun/com/ 测试WhitespaceTokenizer的分词情况如下： 我们是中国人;/我们/是/人;we/are/chiness;/172.16.34.172;[email protected];#$*;85* 34;58/69/ |
测试代码：
一、中文分词方式：
中文分词效果测试代码
using System;using System.Collections.Generic;using System.Text;using Lucene.Net.Analysis.Standard;using Lucene.Net.Analysis;using Lucene.Net.Index;using Lucene.Net.Documents;using System.IO;using Lucene.Net.Analysis.Cn;using Lucene.Net.Analysis.CJK;//date：11－02－2007//home page:http://www.cnblogs.com/xuanfeng//author:peizunyounamespace TokenizerTest
{
class TokenizerTest
{ static void Main(string[] args) { string testText = "我们是中国人; 我们 是 人;we are chiness; 172.16.34.172;[email protected];#$*;85*34;58 69"; Console.WriteLine("测试文字："+testText); Console.WriteLine("测试StandardTokenizer的分词情况如下："); TestStandardTokenizer(testText); Console.WriteLine("测试CJKTokenizer的分词情况如下："); TestCJKTokenizer(testText); Console.WriteLine("测试ChinessTokenizer的分词情况如下："); TestChinessTokenizer(testText); Console.WriteLine("测试LowerCaseTokenizer的分词情况如下："); TestLowerCaseTokenizer(testText); Console.WriteLine("测试WhitespaceTokenizer的分词情况如下："); TestWhitespaceTokenizer(testText); Console.Read();
} static void TestStandardTokenizer(string text) { TextReader tr = new StringReader(text); StandardTokenizer st = new StandardTokenizer(tr); while (st.Next() != null) { Console.Write(st.token.ToString()+"/ "); } Console.WriteLine(); } static void TestCJKTokenizer(string text) { TextReader tr = new StringReader(text); int end = 0; CJKAnalyzer cjkA = new CJKAnalyzer(); TokenStream ts = cjkA.TokenStream(tr); while(end<text.Length) { Lucene.Net.Analysis.Token t = ts.Next(); end = t.EndOffset(); Console.Write(t.TermText()+"/ "); } Console.WriteLine(); } static void TestChinessTokenizer(string text) { TextReader tr = new StringReader(text); ChineseTokenizer ct = new ChineseTokenizer(tr); int end = 0; Lucene.Net.Analysis.Token t; while(end<text.Length) { t = ct.Next(); end = t.EndOffset(); Console.Write(t.TermText()+"/ "); } Console.WriteLine(); } static void TestLowerCaseTokenizer(string text) { TextReader tr = new StringReader(text); SimpleAnalyzer sA = new SimpleAnalyzer(); //SimpleAnalyzer使用了LowerCaseTokenizer分词器 TokenStream ts = sA.TokenStream(tr); Lucene.Net.Analysis.Token t; while((t=ts.Next())!=null) { Console.Write(t.TermText()+"/"); } Console.WriteLine(); } static void TestWhitespaceTokenizer(string text) { TextReader tr = new StringReader(text); WhitespaceAnalyzer sA = new WhitespaceAnalyzer(); TokenStream ts = sA.TokenStream(tr); Lucene.Net.Analysis.Token t; while ((t = ts.Next()) != null) { Console.Write(t.TermText() + "/"); } Console.WriteLine(); } }
}
中文分词几种常用的方式：
A． 单字分词
单字分词，顾名思义，就是按照中文一个字一个字地进行分词。如：我们是中国人，效果：我/们/是/中/国/人。
B． 二分法
二分法，就是按两个字进行切分。如：我们是中国人，效果：我们/们是/是中/中国/国人。
C． 词库分词
词库分词，就是按某种算法构造词然后去匹配已建好的词库集合，如果匹配到就切分出来成为词语。通常词库分词被认为是最理想的中文分词算法如：我们是中国人，通成效果为：我们/是/中国/中国人。
二、Lucene.net中五种中文分词效果探究
在Lucene.net中有很多种分词器，不同分词器使用了不同的分词算法，有不同的分词效果，满足不同的需求！在这里主要是看看其中五中分词器用来对中文切词的效果。五中分词器分别为：StandardTokenizer，CJKTokenizer，ChinessTokenizer，LowerCaseTokenizer，WhitespaceTokenizer;
下面就来测试一下它们切词的效果：
测试目标：是否支持中文词语，英文单词，邮件，IP地址，标点符号，数字，数学表达式的切割。
测试文字：“我们是中国人; 我们 是 人;we are chiness; 172.16.34.172;[email protected];#$*;85*34;58 69 ”
|
测试StandardTokenizer的分词情况如下： 我/ 们/ 是/ 中/ 国/ 人/ 我/ 们/ 是/ 人/ we/ are/ chiness/ 172.16.34.172/ [email protected]/ 85/ 34/ 58/ 69/ 测试CJKTokenizer的分词情况如下： 我们/ 们是/ 是中/ 中国/ 国人/ 我们/ 是/ 人/ we/ chiness/ 172/ 16/ 34/ 172/ youpe izun/ 126/ com/ #/ 85/ 34/ 58/ 69/ 测试ChinessTokenizer的分词情况如下： 我/ 们/ 是/ 中/ 国/ 人/ 我/ 们/ 是/ 人/ we/ are/ chiness/ 172/ 16/ 34/ 172/ youp eizun/ 126/ com/ 85/ 34/ 58/ 69/ 测试LowerCaseTokenizer的分词情况如下： 我们是中国人/我们/是/人/we/are/chiness/youpeizun/com/ 测试WhitespaceTokenizer的分词情况如下： 我们是中国人;/我们/是/人;we/are/chiness;/172.16.34.172;[email protected];#$*;85* 34;58/69/ |
测试代码：
测试代代码下载
中文分词效果测试代码
using System;using System.Collections.Generic;using System.Text;using Lucene.Net.Analysis.Standard;using Lucene.Net.Analysis;using Lucene.Net.Index;using Lucene.Net.Documents;using System.IO;using Lucene.Net.Analysis.Cn;using Lucene.Net.Analysis.CJK;//date：11－02－2007//home page:http://www.cnblogs.com/xuanfeng//author:peizunyounamespace TokenizerTest{ class TokenizerTest { static void Main(string[] args) { string testText = "我们是中国人; 我们 是 人;we are chiness; 172.16.34.172;[email protected];#$*;85*34;58 69"; Console.WriteLine("测试文字："+testText); Console.WriteLine("测试StandardTokenizer的分词情况如下："); TestStandardTokenizer(testText); Console.WriteLine("测试CJKTokenizer的分词情况如下："); TestCJKTokenizer(testText); Console.WriteLine("测试ChinessTokenizer的分词情况如下："); TestChinessTokenizer(testText); Console.WriteLine("测试LowerCaseTokenizer的分词情况如下："); TestLowerCaseTokenizer(testText); Console.WriteLine("测试WhitespaceTokenizer的分词情况如下："); TestWhitespaceTokenizer(testText); Console.Read(); } static void TestStandardTokenizer(string text) { TextReader tr = new StringReader(text); StandardTokenizer st = new StandardTokenizer(tr); while (st.Next() != null) { Console.Write(st.token.ToString()+"/ "); } Console.WriteLine(); } static void TestCJKTokenizer(string text) { TextReader tr = new StringReader(text); int end = 0; CJKAnalyzer cjkA = new CJKAnalyzer(); TokenStream ts = cjkA.TokenStream(tr); while(end<text.Length) { Lucene.Net.Analysis.Token t = ts.Next(); end = t.EndOffset(); Console.Write(t.TermText()+"/ "); } Console.WriteLine(); } static void TestChinessTokenizer(string text) { TextReader tr = new StringReader(text); ChineseTokenizer ct = new ChineseTokenizer(tr); int end = 0; Lucene.Net.Analysis.Token t; while(end<text.Length) { t = ct.Next(); end = t.EndOffset(); Console.Write(t.TermText()+"/ "); } Console.WriteLine(); } static void TestLowerCaseTokenizer(string text) { TextReader tr = new StringReader(text); SimpleAnalyzer sA = new SimpleAnalyzer(); //SimpleAnalyzer使用了LowerCaseTokenizer分词器 TokenStream ts = sA.TokenStream(tr); Lucene.Net.Analysis.Token t; while((t=ts.Next())!=null) { Console.Write(t.TermText()+"/"); } Console.WriteLine(); } static void TestWhitespaceTokenizer(string text) { TextReader tr = new StringReader(text); WhitespaceAnalyzer sA = new WhitespaceAnalyzer(); TokenStream ts = sA.TokenStream(tr); Lucene.Net.Analysis.Token t; while ((t = ts.Next()) != null) { Console.Write(t.TermText() + "/"); } Console.WriteLine(); } }}
三、 五中分词器代码设计探究
从下面分词器代码设计中的静态结构图可以清晰的看出其继承关系。无论是哪个分词器，其分词最终实现的算法都是在Next()方法，想深入了解，请看其相关源码。
Feedback
三、 五中分词器代码设计探究
从下面分词器代码设计中的静态结构图可以清晰的看出其继承关系。无论是哪个分词器，其分词最终实现的算法都是在Next()方法，想深入了解，请看其相关源码。