使用IKAnalyzer进行中文分词

在不需要标注词性的情况下，IKAnalyzer这个工具能实现较好的分词效果。下载地址：https://code.google.com/p/ik-analyzer/

下载下来以后能看到有个pdf文档告诉该如何使用，不过作者貌似没有提到需要用到lucene包，这个jar包可以从这里下载：http://grepcode.com/snapshot/repo1.maven.org/maven2/org.apache.lucene/lucene-core/3.6.1

一个完整的结构如下：

其中ext.dic和chinese_stopword.dic都是自定义的，这里ext.dic用的是百度百科的词条【496万个词条】，需要在xml里面添加dic的位置。

 <?xml version="1.0" encoding="UTF-8"?>
 <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
 <properties>
     <comment>IK Analyzer 扩展配置</comment>
     <!--用户可以在这里配置自己的扩展字典 -->
     <entry key="ext_dict">ext.dic;</entry>

     <!--用户可以在这里配置自己的扩展停止词字典-->
     <entry key="ext_stopwords">stopword.dic;chinese_stopword.dic</entry>

 </properties>

添加好字典后，就可以写个程序来测试效果了，测试用例如下：

李天一，现名李冠丰。著名歌唱家李双江和知名歌唱家梦鸽之子。根据司法机关公布资料显示，李天一出生于1996年4月。曾就读北京海淀区中关村第三小学、人民大学附中、美国Shattuck-St. Mary's School（沙特克圣玛丽学院）冰球学校。2011年9月6日，因与人斗殴被拘留教养1年。2012年9月19日，李天一被解除教养。2013年2月22日，因涉嫌轮奸案被刑事拘留，后因可查资料显示未成年，移交少管所。3月7日，中央电视台新闻中心官方微博发布了一条消息，称李天一因涉嫌强奸罪，已被检察机关批捕。2013年9月，李双江一篇旧文证实李天一成年。

测试程序如下：

 import java.io.BufferedReader;
 import java.io.FileInputStream;
 import java.io.IOException;
 import java.io.InputStreamReader;
 import java.io.StringReader;
 import org.apache.lucene.analysis.TokenStream;
 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
 import org.wltea.analyzer.core.IKSegmenter;
 import org.wltea.analyzer.core.Lexeme;
 import org.wltea.analyzer.lucene.IKAnalyzer;

 public class IKAnalyzerTest {
     public static void main(String[] args) throws IOException {
         String filePath = "test.txt";
         String news=new String();
         BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(filePath), "UTF8"));
         String str;
         while ((str = in.readLine()) != null) {
             news+=str;
         }
        in.close();

        System.out.println(news);
        IKAnalyzer analyzer = new IKAnalyzer(true);
        StringReader reader = new StringReader(news);
        TokenStream ts = analyzer.tokenStream("", reader);
        CharTermAttribute term = ts.getAttribute(CharTermAttribute.class);
        while(ts.incrementToken()){
            System.out.print(term.toString()+"|");
            }
        analyzer.close();
        reader.close();

        System.out.println();
        StringReader re = new StringReader(news);
        IKSegmenter ik = new IKSegmenter(re,true);
        Lexeme lex = null;
        while((lex=ik.next())!=null){
            System.out.print(lex.getLexemeText()+"|");
        }
     }
 }

其中上面第一个没有调用lucene库，第二个是调用lucene库进行分词，两者区别貌似不大。

得到结果如下：

?李天一，现名李冠丰。著名歌唱家李双江和知名歌唱家梦鸽之子。根据司法机关公布资料显示，李天一出生于1996年4月。曾就读北京海淀区中关村第三小学、人民大学附中、美国Shattuck-St. Mary's School（沙特克圣玛丽学院）冰球学校。2011年9月6日，因与人斗殴被拘留教养1年。2012年9月19日，李天一被解除教养。2013年2月22日，因涉嫌轮奸案被刑事拘留，后因可查资料显示未成年，移交少管所。3月7日，中央电视台新闻中心官方微博发布了一条消息，称李天一因涉嫌强奸罪，已被检察机关批捕。2013年9月，李双江一篇旧文证实李天一成年。啊
加载扩展词典：ext.dic
加载扩展停止词典：stopword.dic
加载扩展停止词典：chinese_stopword.dic
李天一|现名|李冠|丰|著名|歌唱家|李双|江和|知名|歌唱家|梦鸽|之子|根据|司法机关|公布|资料|显示|李天一|出生于|1996年|4月|就读|北京|海淀区|中关村第三小学|人民大学|附中|美国|shattuck-st.|mary|s|school|沙|特克|圣玛丽学院|冰球|学校|2011年|9月6日|与人|斗殴|拘留|教养|1年|2012年|9月19日|李天|一被|解除|教养|2013年|2月22日|因涉嫌|轮奸案|刑事拘留|可查|资料|显示|未成年|移交|少管所|3月7日|中央电视台|新闻中心|官方|微博|发布|一条|消息|称|李天一|因涉嫌|强奸罪|已被|检察机关|批捕|2013年|9月|李双江|一篇|旧文|证实|李天一|成年|
李天一|现名|李冠|丰|著名|歌唱家|李双|江和|知名|歌唱家|梦鸽|之子|根据|司法机关|公布|资料|显示|李天一|出生于|1996年|4月|就读|北京|海淀区|中关村第三小学|人民大学|附中|美国|shattuck-st.|mary|s|school|沙|特克|圣玛丽学院|冰球|学校|2011年|9月6日|与人|斗殴|拘留|教养|1年|2012年|9月19日|李天|一被|解除|教养|2013年|2月22日|因涉嫌|轮奸案|刑事拘留|可查|资料|显示|未成年|移交|少管所|3月7日|中央电视台|新闻中心|官方|微博|发布|一条|消息|称|李天一|因涉嫌|强奸罪|已被|检察机关|批捕|2013年|9月|李双江|一篇|旧文|证实|李天一|成年|

可以看到有些词分出来不是很准确，比如上面红色标记的部分，这里采用了智能匹配，但是依然出错了，分出来的词甚至不在词表中。看来还是ANSJ分词比较靠谱。