IKAnalyzer基于lucene2.0版本API开发,实现了以词典分词为基础的正反向全切分算法,是Lucene Analyzer接口的实现。经过与mmseg4j-1.7.2、庖丁解牛等其它中文分词程序比较后发现,IKAnalyzer的中文分词效果好,程序调用简单。所以采用IKAnalyzer作为我们中文分词的程序。
调用IKAnalyzer来进行中文分词的代码十分简单:
- /**
- * 传入一个中文语句,返回一个List列表,列表中的每一个元素是一个String类型的分词之后的中文词组
- */
- public static ArrayList<String> testJe(StringtestString) throws Exception {
- ArrayList<String> tokenList =new ArrayList<String>();
- Analyzer analyzer = new IK_CAnalyzer();
- Reader r = new StringReader(testString);
- TokenStream ts = (TokenStream)analyzer.tokenStream("", r);
- Token t;
- while ((t = ts.next()) != null) {
- tokenList.add(t.termText());
- System.out.println(t.termText());
- }
- return tokenList;
- }
这段代码如果是在Windows下使用Eclipse来执行,或许能够很好地进行中文分词,但是当你把程序放在Linux下,例如Ubuntu下运行时,可能就会发现这个Java中文分词程序突然“失效”了。这是由于IKAnalyzer1.4采用了GBK的本地编码来存储字典,而linux环境,例如Ubuntu默认字符编码是UTF-8,这就会常常造成在Linux和Unix环境下字典载入乱码,从而使分词失败。
解决办法有2个:
1、将字典目录下的dic文件,在Windows环境下使用jdk的nativetoascii.exe将格式从GBK转化成UTF-8;
2、修改Dictionary类中所有的字典load方法,将InputStreamReader中的编码修改为“UTF-8”;
其中第一个解决办法最为简单,具体步骤如下:1、对着IKAnalyzer1.4.jar点击右键,将IKAnalyzer1.4.jar解压到本地,进入org\mira\lucene\analysis\dict目录下,发现有4个文件,用文本编辑器打开,然后用UTF-8格式“另存为”来进行重新存储,覆盖原来的文件;
2、将解压的文件重新使用zip格式进行压缩。需要注意的是,最顶层目录应该是org和META-INF;
3、将后缀名zip改为jar即可。
然后使用新的jar替换原来的IKAnalyzer1.4.jar即可在Ubuntu下正常使用这个Java中文分词程序了。
另外,如果你打算使用Ubuntu的Cron来定时执行这个java中文分词程序,可能又会发现中文分词程序失效,这是因为Linux下的Cron环境变量可能与普通用户登录进去之后的环境变量不太一样,因此还是由于默认的字符集不同,造成了程序无法正常进行中文分词。解决办法如下,在脚本中显式地指明字符集为UTF-8:
- #! /bin/bash
- . /home/wangzhongyuan/.profile
- LANG=zh_CN.UTF-8
- LC_ALL=zh_CN.UTF-8
- export LANG LC_ALL
然后就可以在脚本中在调用java程序,就能够使用Ubuntu的Cron来定时执行这个中文分词程序了。
本文可以自由转载,转载时请保留全文并注明出处:
转载自仲子说 [ http://www.wangzhongyuan.com/ ]
原文链接:http://www.wangzhongyuan.com/archives/723.html