中文分词 mmseg4j 在 lucene 中的使用示例-白红宇

中文分词 mmseg4j 在 lucene 中的使用示例

阅读量：6713 次

发布时间：2019-06-25

本文共 3469 字，大约阅读时间需要 11 分钟。

原文出处：

mmseg4j 发布也有一段时间了，前些日子忙着发布新的版本，修正 bug 之类的。使用示例一直拖到现在，其实 svn 上的 test 有使用 lucene 例子。如果你了解 lucene ，就不用例子也可以很方便与它集成。

mmseg4j 有几个 analyzer：SimpleAnalyzer、ComplexAnalyzer、MaxWordAnalyzer、MMSegAnalyzer。前面三个都是继承 MMSegAnalyzer，MMSegAnalyzer 默认使用 max-word 方式分词。这些 analyzer 都有无参数的构造函数，还有一个带词库目录为参数的构造函数。怎么用也没多少可说的，看下 svn 里 test：

package com.chenlb.mmseg4j.lucene;  
  
import java.io.IOException;  
  
import junit.framework.TestCase;  
  
import org.apache.lucene.analysis.Analyzer;  
import org.apache.lucene.document.Document;  
import org.apache.lucene.document.Field;  
import org.apache.lucene.index.CorruptIndexException;  
import org.apache.lucene.index.IndexWriter;  
import org.apache.lucene.queryParser.ParseException;  
import org.apache.lucene.queryParser.QueryParser;  
import org.apache.lucene.search.IndexSearcher;  
import org.apache.lucene.search.Query;  
import org.apache.lucene.search.ScoreDoc;  
import org.apache.lucene.search.TopDocs;  
import org.apache.lucene.store.Directory;  
import org.apache.lucene.store.RAMDirectory;  
  
import com.chenlb.mmseg4j.analysis.ComplexAnalyzer;  
import com.chenlb.mmseg4j.analysis.MaxWordAnalyzer;  
import com.chenlb.mmseg4j.analysis.SimpleAnalyzer;  
  
public class LuceneUseSimpleAnalyzerTest extends TestCase {  
  
    Directory dir;  
    Analyzer analyzer;  
  
    @Override  
    protected void setUp() throws Exception {  
        String txt = "京华时报1月23日报道 昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的偏北风。";  
        //txt = "2008年底发了资金吗";  
        analyzer = new SimpleAnalyzer();  
        analyzer = new ComplexAnalyzer();  
        //analyzer = new MaxWordAnalyzer();  
        dir = new RAMDirectory();  
        IndexWriter iw = new IndexWriter(dir, analyzer);  
        Document doc = new Document();  
        doc.add(new Field("txt", txt, Field.Store.YES, Field.Index.ANALYZED));  
        iw.addDocument(doc);  
        iw.commit();  
        iw.optimize();  
        iw.close();  
    }  
  
    public void testSearch() {  
        try {  
            IndexSearcher searcher = new IndexSearcher(dir);  
            QueryParser qp = new QueryParser("txt", analyzer);  
            Query q = qp.parse("西伯利亚"); //2008年底  
            System.out.println(q);  
            TopDocs tds = searcher.search(q, 10);  
            System.out.println("======size:"+tds.totalHits+"========");  
            for(ScoreDoc sd : tds.scoreDocs) {  
                System.out.println(sd.score);  
                System.out.println(searcher.doc(sd.doc).get("txt"));  
            }  
        } catch (CorruptIndexException e) {  
  
            e.printStackTrace();  
        } catch (IOException e) {  
  
            e.printStackTrace();  
        } catch (ParseException e) {  
  
            e.printStackTrace();  
        }  
    }  
  
}  

运行结果：

2009-4-26 22:41:02 com.chenlb.mmseg4j.Dictionary getDefalutPath
信息: look up in mmseg.dic.path=null
2009-4-26 22:41:02 com.chenlb.mmseg4j.Dictionary getDefalutPath
信息: look up in user.dir=M:\workspace\mmseg4j/data
2009-4-26 22:41:02 com.chenlb.mmseg4j.Dictionary loadDic
信息: chars loaded time=391ms, line=12638, on file=M:\workspace\mmseg4j\data\chars.dic
2009-4-26 22:41:02 com.chenlb.mmseg4j.Dictionary loadDic
信息: words loaded time=16ms, line=1, on file=M:\workspace\mmseg4j\data\words-my.dic
2009-4-26 22:41:06 com.chenlb.mmseg4j.Dictionary loadDic
信息: words loaded time=3406ms, line=157202, on file=M:\workspace\mmseg4j\data\words.dic
2009-4-26 22:41:06 com.chenlb.mmseg4j.Dictionary loadDic
信息: sort time=0ms
2009-4-26 22:41:06 com.chenlb.mmseg4j.Dictionary loadDic
信息: load dic use time=3844ms
2009-4-26 22:41:06 com.chenlb.mmseg4j.Dictionary loadUnit
信息: unit loaded time=16ms, line=22, on file=M:\workspace\mmseg4j\data\units.dic
txt:西伯利亚
======size:1========
0.047945753
京华时报1月23日报道昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的偏北风。

上面的运行环境是 lucene 2.4 的，如果你要再低版本的 lucene 运行，请看别一篇博客：

如果你想在 solr 中使用 mmseg4j，请看：

转载地址：http://gkelo.baihongyu.com/

你可能感兴趣的文章