你好,游客 登录
背景:
阅读新闻

中文分词工具-IKAnalyzer下载及使用

[日期:2017-09-29] 来源:lxw的大数据田地  作者:lxw1234@qq.com [字体: ]

最近有个需求,需要对爬到的网页内容进行分词,以前没做过这个,随便找了找中文分词工具,貌似IKAnalyzer评价不错,因此就下来试试,在这里记录一下使用方法,备查。

关于IKAnalyzer的介绍,网上很多,搜一下就知道了。下载地址见文章最后面

 

下载解压之后主要使用和依赖以下文件:

IKAnalyzer2012_u6.jar  — IKAnalyzer核心jar包

IKAnalyzer.cfg.xml    — 配置文件,可以在这里配置停词表和扩展词库

stopword.dic    — 停词表

lucene-core-3.6.0.jar  — lucene jar包,注意:只能使用这个3.6版本,高版本有问题

IKAnalyzer中文分词器V2012_U5使用手册.pdf  — 使用手册

 

新建Java项目,将IKAnalyzer2012_u6.jar和lucene-core-3.6.0.jar添加到Build Path,将stopword.dic和IKAnalyzer.cfg.xml添加到项目根目录。

看一下IKAnalyzer.cfg.xml的内容:

<?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”></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;</entry>
</properties>

 

使用示例代码:

  1. package com.lxw1234.wordsplit;
  2.  
  3. import java.io.StringReader;
  4.  
  5. import org.apache.lucene.analysis.Analyzer;
  6. import org.apache.lucene.analysis.TokenStream;
  7. import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
  8. import org.wltea.analyzer.lucene.IKAnalyzer;
  9.  
  10. /**
  11. *
  12. * @author lxw的大数据田地 -- lxw1234.com
  13. *
  14. */
  15. publicclassTest{
  16.  
  17. publicstaticvoid main(String[] args)throwsException{
  18. String text ="lxw的大数据田地 -- lxw1234.com 专注Hadoop、Spark、Hive等大数据技术博客。 北京优衣库";
  19. Analyzer analyzer =newIKAnalyzer(false);
  20. StringReader reader =newStringReader(text);
  21. TokenStream ts = analyzer.tokenStream("", reader);
  22. CharTermAttribute term=ts.getAttribute(CharTermAttribute.class);
  23. while(ts.incrementToken()){
  24. System.out.print(term.toString()+"|");
  25. }
  26. analyzer.close();
  27. reader.close();
  28. }
  29.  
  30. }
  31.  

执行结果为:

lxw|的|大数|数据|田地|lxw1234.com|lxw|1234|com|专注|hadoop|spark|hive|等|大数|数据|技术|博客|北京|优|衣|库|

分词分的很细。

看这个构造函数:Analyzer analyzer = new IKAnalyzer(false);

IKAnalyzer支持两种分词模式:最细粒度和智能分词模式,如果构造函数参数为false,那么使用最细粒度分词。

 

改成智能分词模式之后的结果:

Analyzer analyzer = new IKAnalyzer(true);

lxw|的|大|数据|田地|lxw1234.com|专注|hadoop|spark|hive|等|大|数据|技术|博客|北京|优|衣|库|

 

结果还是不太理想,“大数据”和“优衣库”都被分开了,原因是IKAnalyzer自带的词库里面没有这两个词。

需要配置扩展词库。

在项目根目录新建文件MyDic.dic,里面内容为:

大数据

优衣库

每行一个词,特别注意:MyDic.dic的文件编码必须为UTF-8

 

编辑IKAnalyzer.cfg.xml配置文件,添加扩展词库:

<!–用户可以在这里配置自己的扩展字典 –>
<entry key=”ext_dict”>MyDic.dic;</entry>

 

再运行:

lxw|的|大数据|田地|lxw1234.com|专注|hadoop|spark|hive|等|大数据|技术|博客|北京|优衣库|

这下基本是我们想要的结果了。

 

下载地址:https://code.google.com/p/ik-analyzer/downloads/list

这个地址估计大家不方便,上传了一份到网盘:

http://pan.baidu.com/s/1i3eXhAH

密:34w6

收藏 推荐 打印 | 阅读:
相关新闻       分词  大数据工具