IKAnalyzer 扩展词典（强制分词）【solr里添加扩展词典，扩展词典的格式必须是 utf-8 的无BOM格式编码。jav开发中 IKAnalyzer.cfg.xml必须在类路径根下】

文章来源：http://blog.csdn.net/longxia1987/article/details/8179665

前面说到solr+IKAnalyzer来配置中文分词；在实际中我们有些需求是需要将特定的词作为一个分词来处理，那么我们就需要设置自己的词典

例子：连帽上衣

希望将 “连帽” 作为一个词来处理，并不希望作为 连，帽 来处理

默认分词：

做法：

IKAnalyzer.cfg.xml放到solr的tomcat中：..../webapp/WEB-INF/classes/IKAnalyzer.cfg.xml，并配置 IKAnalyzer.cfg.xml文件

 <?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">/mydict.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">/ext_stopword.dic</entry>

 </properties>

我是将 mydict.dic 文件和 IKAnalyzer.cfg.xml 放在同一个目录，也可以放在别的地方，配置好路径就可以了

mydict.dic 文件中就只有“连帽” 这个词；

经典问题来了：mydict.dic 必须是 utf-8 的无BOM格式编码。

配置好之后重启solr，再次查看分词：

这样连帽就能匹配的到了。

搞了好久，才知道是文件的编码格式不对。我日的，还必须是无BOM格式。

=====================================java代码中==============================================

代码结构：

 IKAnalyzer.cfg.xml

<?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用词字典【中文停用词或者英文停用词】    -->
    <entry key="ext_stopwords">chinese_stopword.dic;english_stopword.dic</entry> 
</properties>

扩展词典ext.dic内容：

传智播客
本拉登
击毙
欧洲杯四强赛
连帽上衣

java测试代码：

<span style="white-space:pre">	</span>String content =new String("我穿着连帽上衣去看2012年欧洲杯四强赛;传智播客的本拉登被击毙了".trim().getBytes(),"utf8");
	StringReader sr =new StringReader(content);
	IKSegmenter ikSegmenter =new IKSegmenter(sr, true);
		
	Lexeme word=null;
	while( (word=ikSegmenter.next()) !=null ){
		String w= word.getLexemeText();
		System.out.println(w);
	}

输出结果：

<span style="color:#333333;">加载扩展词典：ext.dic
加载扩展停止词典：chinese_stopword.dic
加载扩展停止词典：english_stopword.dic
我
穿着
</span><span style="color:#cc0000;">连帽上衣</span>【<span style="font-family: Arial; color: rgb(51, 51, 51);">没有添加扩展词的时候，结果是“连帽”，“上衣”</span><span style="font-family: Arial;">】</span>
<span style="color:#333333;">去看
2012年
</span><span style="color:#cc0000;">欧洲杯四强赛</span><span style="color: rgb(204, 0, 0); font-family: Arial;">【</span><span style="font-family: Arial; color: rgb(51, 51, 51);">没有添加扩展词的时候，结果是“欧洲杯”，“四强赛”</span><span style="color: rgb(204, 0, 0); font-family: Arial;">】</span><span style="color:#cc0000;">
</span><span style="color:#cc0000;">传智播客</span><span style="color:#333333;">【没有添加扩展词的时候，分开四个字"传""智""播""客"】
的
</span><span style="color:#cc0000;">本拉登</span><span style="color:#333333;">
被
</span><span style="color:#cc0000;">击毙</span><span style="color:#333333;">
了
</span>