Paoding中文分词参考手册
Paoding中文分词参考手册
本文档对应paoding-analysis 2.0.4–alpha2，目前还在草稿状态。
由于没有docbook编辑文档的经验和环境，暂时以word编辑文档。
目录
一般使用
使用评估
参考资料
下载
开始使用
分词策略
高级专题
配置参考
PaodingMaker的设计
庖丁架构
词典的抽象与设计
词典定制
词典动态加载
自定制分词策略
集成指南
Spring XML 配置
一般使用
使用评估
暂略
参考资料
暂略
下载
zip download:http://code.google.com/p/paoding/downloads/list
svn: http://paoding.googlecode.com/svn/trunk/paoding-analysis/
效果体验
使用者第一步最有可能的是想要体验了解庖丁的分词效果。考虑到这样的需求，庖丁提供了一个shell文件，使用者不必写任何代码就可以获得这样的信息。进入Paoding-Analysis分发包，在命令行模式下执行analyzer.bat(windows)或analyzer.sh(linux)即可。下以windows为例：
u 显示帮助
E:/Paoding-Analysis>analyzer.bat ?
u 分词对话
当没有在命令行参数种输入分词内容或待分词的文章时，analyzer.bat进入分词对话模式，使用者可以多次输入或粘贴不同的文字内容，查看分词效果，如：
E:/Paoding-Analysis>analyzer.bat
paoding> |
此时使用者可以在光标所在所在位置(|)输入或粘贴待分词的内容(以分号结束)，按下Enter键换行，analyzer.bat便可以输出分词结果。比如：
paoding> 中文分词;
1: 中文/分词/
分词器net.paoding.analysis.analyzer.PaodingAnalyzer
内容长度 4字符， 分 2个词
分词耗时 0ms
--------------------------------------------------
分词完毕后，又会进入以上对话模式。
键入:e或:q退出会话 (包括:符号) 。
键入:?显示帮助(包括:符号) 。
u 对文件进行分词
analyzer.bat允许对指定的文件进行分词体验。文件以路径名给出可以使绝对地址、相对当前目录的地址，或以classpath:为前缀的类路径地址。示例如下:
paoding> :-f E:/content.txt
paoding> :-f E:/content.txt -c gbk
paoding> :-f E:/content.txt -c gbk -m max
开始使用
庖丁中文分词需要一套词典，这些词典需要统一存储在某个目录下，这个目录称为词典安装目录。词典安装目录可以是文件系统的任何目录，它不依赖于应用程序的运行目录。将词典拷贝到词典安装目录的过程称为安装词典。增加、删除、修改词典目录下的词典的过程称为自定制词典。
在linux下，我们可以考虑将词典安装在一个专门存储数据的分区下某目录，以笔者为例，笔者将/data作为系统的一个独立分区，笔者便是将词典保存在/data/paoding/dic下。
在windows下，我们可以考虑将词典安装在非系统盘的另外分区下的某个目录，以笔者为例，笔者可能将词典保存在E:/data/paoding/dic下。
使用者安装辞典后，应该设置系统环境变量PAODING_DIC_HOME指向词典安装目录。
在linux下，通过修改/etc/profile，在文件末尾加上以下2行，然后保存该文件并退出即可。
PAODING_DIC_HOME=/data/paoding/dic
export PAODING_DIC_HOME
在windows下，通过“我的电脑”属性之“高级”选项卡，然后在进入“环境变量”编辑区，新建环境变量，设置“变量名”为PAODING_DIC_HOME；“变量值”为E:/data/paoding/dic
第3步，把paoding-analysis.jar拷贝到应用运行时的类路径(classpath)下。使用集成开发环境(IDE)开发应用的使用者，需要把paoding-analysis.jar拷贝到工程中，然后使用IDE向导引入该Jar包，以便开发应用时IDE能够认识它。
至此，便可以在应用代码中使用庖丁提供的中文分析器了。
提醒：以下示例代码中的IDNEX_PATH表示索引库地址，读者运行以下代码前，应该赋与一个不重要的地址，比如/data/paoding/test_index 或E:/paoding_test_index，以免一时疏忽将重要数据丢失。
| 示例代码：建立索引库，并依此查询 |
| String IDNEX_PATH = "E:/paoding_test_index"; //获取Paoding中文分词器 Analyzer analyzer = new PaodingAnalyzer(); //建立索引 IndexWriter writer = new IndexWriter(IDNEX_PATH, analyzer, true); Document doc = new Document(); Field field = new Field("content", "你好，世界!", Field.Store.YES, Field.Index.TOKENIZED, Field.TermVector.WITH_POSITIONS_OFFSETS); doc.add(field); writer.addDocument(doc); writer.close(); System.out.println("Indexed success!");
//检索 IndexReader reader = IndexReader.open(IDNEX_PATH); QueryParser parser = new QueryParser("content", analyzer); Query query = parser.parse("你好"); Searcher searcher = new IndexSearcher(reader); Hits hits = searcher.search(query); if (hits.length() == 0) { System.out.println("hits.length=0"); } Document doc2 = hits.doc(0); //高亮处理 String text = doc2.get("content"); TermPositionVector tpv = (TermPositionVector) reader.getTermFreqVector( 0, "content"); TokenStream ts = TokenSources.getTokenStream(tpv); Formatter formatter = new Formatter() { public String highlightTerm(String srcText, TokenGroup g) { if (g.getTotalScore() <= 0) { return srcText; } return "<b>" + srcText + "</b>"; } }; Highlighter highlighter = new Highlighter(formatter, new QueryScorer( query)); String result = highlighter.getBestFragments(ts, text, 5, "…"); System.out.println("result:/n/t" + result); reader.close(); |
分词策略
暂时以测试用例体现如下：
| package net.paoding.analysis;
import java.io.StringReader;
import junit.framework.TestCase; import net.paoding.analysis.analyzer.PaodingAnalyzer;
import org.apache.lucene.analysis.Token; import org.apache.lucene.analysis.TokenStream;
public class AnalyzerTest extends TestCase {
protected PaodingAnalyzer analyzer = new PaodingAnalyzer();
protected StringBuilder sb = new StringBuilder();
protected String dissect(String input) { try { TokenStream ts = analyzer.tokenStream("", new StringReader(input)); Token token; sb.setLength(0); while ((token = ts.next()) != null) { sb.append(token.termText()).append('/'); } if (sb.length() > 0) { sb.setLength(sb.length() - 1); } return sb.toString(); } catch (Exception e) { e.printStackTrace(); return "error"; } }
/** * */ public void test000() { String result = dissect("a"); assertEquals("", result); }
/** * */ public void test001() { String result = dissect("空格 a 空格"); assertEquals("空格/空格", result); }
/** * */ public void test002() { String result = dissect("A座"); assertEquals("a座", result); }
/** * */ public void test003() { String result = dissect("u盘"); assertEquals("u盘", result); }
public void test004() { String result = dissect("刚买的u盘的容量"); assertEquals("刚/买的/u盘/容量", result); }
public void test005() { String result = dissect("K歌之王很好听"); assertEquals("k歌之王/很好/好听", result); } // -------------------------------------------------------------- // 仅包含词语的句子分词策略 // --------------------------------------------------------------
/** * 句子全由词典词语组成，但词语之间没有包含、交叉关系 */ public void test100() { String result = dissect("台北中文国际"); assertEquals("台北/中文/国际", result); }
/** * 句子全由词典词语组成，但词语之间有包含关系 */ public void test101() { String result = dissect("北京首都机场"); assertEquals("北京/首都/机场", result); }
/** * 句子全由词典词语组成，但词语之间有交叉关系 */ public void test102() { String result = dissect("东西已经拍卖了"); assertEquals("东西/已经/拍卖/卖了", result); }
/** * 句子全由词典词语组成，但词语之间有包含、交叉等复杂关系 */ public void test103() { String result = dissect("羽毛球拍"); assertEquals("羽毛/羽毛球/球拍", result); }
// -------------------------------------------------------------- // noise词汇和单字的分词策略 // --------------------------------------------------------------
/** * 词语之间有一个noise字(的) */ public void test200() { String result = dissect("足球的魅力"); assertEquals("足球/魅力", result); }
/** * 词语之间有一个noise词语(因之) */ public void test201() { String result = dissect("主人因之生气"); assertEquals("主人/生气", result); }
/** * 词语前后分别有单字和双字的noise词语(与,有关) */ public void test202() { String result = dissect("与谋杀有关"); assertEquals("谋杀", result); }
/** * 前有noise词语(哪怕)，后面跟随了连续的noise单字(了,你) */ public void test203() { String result = dissect("哪怕朋友背叛了你"); assertEquals("朋友/背叛", result); }
/** * 前后连续的noise词汇(虽然,某些)，词语中有noise单字(很) */ public void test204() { String result = dissect("虽然某些动物很凶恶"); assertEquals("动物/凶恶", result); }
// -------------------------------------------------------------- // 词典没有收录的字符串的分词策略 // --------------------------------------------------------------
/** * 仅1个字的非词汇串(东,西,南,北) */ public void test300() { String result = dissect("东&&西&&南&&北"); assertEquals("东/西/南/北", result); }
/** * 仅两个字的非词汇串(古哥,谷歌,收狗,搜狗) */ public void test302() { String result = dissect("古哥&&谷歌&&收狗&&搜狗"); assertEquals("古哥/谷歌/收狗/搜狗", result); }
/** * 多个字的非词汇串 */ public void test303() { String result = dissect("这是鸟语：玉鱼遇欲雨"); assertEquals("这是/鸟语/玉鱼/鱼遇/遇欲/欲雨", result); }
/** * 两个词语之间有一个非词汇的字(真) */ public void test304() { String result = dissect("朋友真背叛了你了!"); assertEquals("朋友/真/背叛", result); }
/** * 两个词语之间有一个非词汇的字符串(盒蟹) */ public void test305() { String result = dissect("建设盒蟹社会"); assertEquals("建设/盒蟹/社会", result); }
/** * 两个词语之间有多个非词汇的字符串(盒少蟹) */ public void test306() { String result = dissect("建设盒少蟹社会"); assertEquals("建设/盒少/少蟹/社会", result); }
// -------------------------------------------------------------- // 不包含小数点的汉字数字 // --------------------------------------------------------------
/** * 单个汉字数字 */ public void test400() { String result = dissect("二"); assertEquals("2", result); }
/** * 两个汉字数字 */ public void test61() { String result = dissect("五六"); assertEquals("56", result); }
/** * 多个汉字数字 */ public void test62() { String result = dissect("三四五六"); assertEquals("3456", result); }
/** * 十三 */ public void test63() { String result = dissect("十三"); assertEquals("13", result); }
/** * 二千 */ public void test65() { String result = dissect("二千"); assertEquals("2000", result); }
/** * 两千 */ public void test651() { String result = dissect("两千"); assertEquals("2000", result); } /** * 两千 */ public void test6511() { String result = dissect("两千个"); assertEquals("2000/个", result); }
/** * 2千 */ public void test652() { String result = dissect("2千"); assertEquals("2000", result); }
/** * */ public void test653() { String result = dissect("3千万"); assertEquals("30000000", result); }
/** * */ public void test654() { String result = dissect("3千万个案例"); assertEquals("30000000/个/案例", result); }
/** * */ public void test64() { String result = dissect("千万"); assertEquals("千万", result); }
public void test66() { String result = dissect("两两"); assertEquals("两两", result); }
public void test67() { String result = dissect("二二"); assertEquals("22", result); }
public void test68() { String result = dissect("2.2两"); assertEquals("2.2/两", result); }
public void test69() { String result = dissect("二两"); assertEquals("2/两", result); }
public void test690() { String result = dissect("2两"); assertEquals("2/两", result); }
public void test691() { String result = dissect("2千克"); assertEquals("2000/克", result); }
public void test692() { String result = dissect("2公斤"); assertEquals("2/公斤", result); }
public void test693() { String result = dissect("2世纪"); assertEquals("2/世纪", result); }
public void test7() { String result = dissect("哪怕二"); assertEquals("2", result); }
} |
高级专题
(正在完成……)
配置文件
PaodingMaker的设计
庖丁架构
词典的抽象与设计
词典定制
词典动态加载
自定制分词策略
集成指南
(正在完成……)
Spring XML 配置