MMAnalyzer極易中文分詞組件

原文地址：http://xiarilian12.iteye.com/blog/855245

支持英文、數字、中文（簡體）混合分詞
常用的數量和人名的匹配
超過22萬詞的詞庫整理
實現正向最大匹配算法

//採用正向最大匹配的中文分詞算法，相當於分詞粒度等於0
MMAnalyzer analyzer = new MMAnalyzer();

//參數爲分詞粒度：當字數等於或超過該參數，且能成詞，該詞就被切分出來
MMAnalyzer analyzer = new MMAnalyzer(2);


//增加一個新詞典，採用每行一個詞的讀取方式
MMAnalyzer.addDictionary(reader);

//增加一個新詞
MMAnalyzer.addWord(newWord);




//刪除詞庫中的全部詞語（注意：非常危險的操作，在沒有加載新的詞庫前所有的分詞都將失效）
MMAnalyzer.clear();

//詞庫中是否包含該詞
MMAnalyzer.contains(String word);

//從詞庫中移除該詞
MMAnalyzer.removeWord(String word);

//當前詞庫中包含的詞語總數
MMAnalyzer.size();


view plaincopy to clipboardprint?
package demo.analysis;

import java.io.IOException;

import jeasy.analysis.MMAnalyzer;

public class Segment
{

public static void main(String[] args)
{
String text = "據路透社報道，印度尼西亞社會事務部一官員星期二(29日)表示，"
+ "日惹市附近當地時間27日晨5時53分發生的里氏6.2級地震已經造成至少5427人死亡，"
+ "20000餘人受傷，近20萬人無家可歸。";

MMAnalyzer analyzer = new MMAnalyzer();
try
{
System.out.println(analyzer.segment(text, " | "));
}
catch (IOException e)
{
e.printStackTrace();
}
}
}
package demo.analysis;

import java.io.IOException;

import jeasy.analysis.MMAnalyzer;

public class Segment
{

public static void main(String[] args)
{
String text = "據路透社報道，印度尼西亞社會事務部一官員星期二(29日)表示，"
+ "日惹市附近當地時間27日晨5時53分發生的里氏6.2級地震已經造成至少5427人死亡，"
+ "20000餘人受傷，近20萬人無家可歸。";

MMAnalyzer analyzer = new MMAnalyzer();
try
{
System.out.println(analyzer.segment(text, " | "));
}
catch (IOException e)
{
e.printStackTrace();
}
}
}

生成效果：

據 | 路透社 | 報道 | 印度尼西亞 | 社會 | 事務 | 部 | 官員 | 星期二 | 29日 | 表示 | 日惹 | 市 | 附近 | 當地時間 | 27日

| 晨 | 5時 | 53分 | 發生 | 里氏 | 6.2級 | 地震 | 已經 | 造成 | 至少 | 5427人 | 死亡 | 20000 | 餘人 | 受傷 | 近 | 20萬人 | 無家可歸 |


view plaincopy to clipboardprint?
package demo.analysis;

import jeasy.analysis.MMAnalyzer;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.Hits;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.RAMDirectory;

public class Segment
{

public static void main(String[] args)
{
String fieldName = "text";
String text = "據路透社報道，印度尼西亞社會事務部一官員星期二(29日)表示，"
+ "日惹市附近當地時間27日晨5時53分發生的里氏6.2級地震已經造成至少5427人死亡，"
+ "20000餘人受傷，近20萬人無家可歸。"; //檢索內容

//採用正向最大匹配的中文分詞算法
Analyzer analyzer = new MMAnalyzer();

Directory directory = new RAMDirectory();
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);

try
{
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);
iwriter.setMaxFieldLength(25000);
Document doc = new Document();
doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.TOKENIZED));
iwriter.addDocument(doc);
iwriter.close();

IndexSearcher isearcher = new IndexSearcher(directory);
QueryParser parser = new QueryParser(fieldName, analyzer);
Query query = parser.parse("印度尼西亞 6.2級地震");//檢索詞
Hits hits = isearcher.search(query);
System.out.println("命中：" + hits.length());

for (int i = 0; i < hits.length(); i++)
{
Document hitDoc = hits.doc(i);
System.out.println("內容：" + hitDoc.get(fieldName));
}

isearcher.close();
directory.close();
}
catch (Exception e)
{
e.printStackTrace();
}
}

}
package demo.analysis;

import jeasy.analysis.MMAnalyzer;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.Hits;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.RAMDirectory;

public class Segment
{

public static void main(String[] args)
{
String fieldName = "text";
String text = "據路透社報道，印度尼西亞社會事務部一官員星期二(29日)表示，"
+ "日惹市附近當地時間27日晨5時53分發生的里氏6.2級地震已經造成至少5427人死亡，"
+ "20000餘人受傷，近20萬人無家可歸。"; //檢索內容

//採用正向最大匹配的中文分詞算法
Analyzer analyzer = new MMAnalyzer();

Directory directory = new RAMDirectory();
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);

try
{
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);
iwriter.setMaxFieldLength(25000);
Document doc = new Document();
doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.TOKENIZED));
iwriter.addDocument(doc);
iwriter.close();

IndexSearcher isearcher = new IndexSearcher(directory);
QueryParser parser = new QueryParser(fieldName, analyzer);
Query query = parser.parse("印度尼西亞 6.2級地震");//檢索詞
Hits hits = isearcher.search(query);
System.out.println("命中：" + hits.length());

for (int i = 0; i < hits.length(); i++)
{
Document hitDoc = hits.doc(i);
System.out.println("內容：" + hitDoc.get(fieldName));
}

isearcher.close();
directory.close();
}
catch (Exception e)
{
e.printStackTrace();
}
}

}

生成效果：

命中：1
內容：據路透社報道，印度尼西亞社會事務部一官員星期二(29日)表示，日惹市附近當地時間27日晨5時53分發生

的里氏6.2級地震已經造成至少5427人死亡，20000餘人受傷，近20萬人無家可歸。


view plaincopy to clipboardprint?
package demo.analysis;

import jeasy.analysis.MMAnalyzer;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.TermPositionVector;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.Hits;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.highlight.Highlighter;
import org.apache.lucene.search.highlight.QueryScorer;
import org.apache.lucene.search.highlight.TokenSources;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.RAMDirectory;

public class Segment
{

public static void main(String[] args)
{
String fieldName = "text";
String text = "據路透社報道，印度尼西亞社會事務部一官員星期二(29日)表示，"
+ "日惹市附近當地時間27日晨5時53分發生的里氏6.2級地震已經造成至少5427人死亡，"
+ "20000餘人受傷，近20萬人無家可歸。"; //檢索內容

//採用正向最大匹配的中文分詞算法
Analyzer analyzer = new MMAnalyzer();

Directory directory = new RAMDirectory();
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);

try
{
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);
iwriter.setMaxFieldLength(25000);
Document doc = new Document();
doc.add(new Field(fieldName, text, Field.Store.YES,
Field.Index.TOKENIZED,
Field.TermVector.WITH_POSITIONS_OFFSETS));
iwriter.addDocument(doc);
iwriter.close();

IndexSearcher isearcher = new IndexSearcher(directory);
QueryParser parser = new QueryParser(fieldName, analyzer);
Query query = parser.parse("印度尼西亞 6.2級地震");//檢索詞
Hits hits = isearcher.search(query);
System.out.println("命中：" + hits.length());

Highlighter highlighter = new Highlighter(new QueryScorer(query));
for (int i = 0; i < hits.length(); i++)
{
text = hits.doc(i).get(fieldName);
TermPositionVector tpv = (TermPositionVector) IndexReader.open(
directory).getTermFreqVector(hits.id(i), fieldName);
TokenStream tokenStream = TokenSources.getTokenStream(tpv);
String result = highlighter.getBestFragments(tokenStream, text, 3, "...");
System.out.println("內容：" + result);
}

isearcher.close();
directory.close();
}
catch (Exception e)
{
e.printStackTrace();
}
}

}
package demo.analysis;

import jeasy.analysis.MMAnalyzer;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.TermPositionVector;
import org.apache.lucene.queryParser.QueryParser;
import org.apache.lucene.search.Hits;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.highlight.Highlighter;
import org.apache.lucene.search.highlight.QueryScorer;
import org.apache.lucene.search.highlight.TokenSources;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.RAMDirectory;

public class Segment
{

public static void main(String[] args)
{
String fieldName = "text";
String text = "據路透社報道，印度尼西亞社會事務部一官員星期二(29日)表示，"
+ "日惹市附近當地時間27日晨5時53分發生的里氏6.2級地震已經造成至少5427人死亡，"
+ "20000餘人受傷，近20萬人無家可歸。"; //檢索內容

//採用正向最大匹配的中文分詞算法
Analyzer analyzer = new MMAnalyzer();

Directory directory = new RAMDirectory();
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);

try
{
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);
iwriter.setMaxFieldLength(25000);
Document doc = new Document();
doc.add(new Field(fieldName, text, Field.Store.YES,
Field.Index.TOKENIZED,
Field.TermVector.WITH_POSITIONS_OFFSETS));
iwriter.addDocument(doc);
iwriter.close();

IndexSearcher isearcher = new IndexSearcher(directory);
QueryParser parser = new QueryParser(fieldName, analyzer);
Query query = parser.parse("印度尼西亞 6.2級地震");//檢索詞
Hits hits = isearcher.search(query);
System.out.println("命中：" + hits.length());

Highlighter highlighter = new Highlighter(new QueryScorer(query));
for (int i = 0; i < hits.length(); i++)
{
text = hits.doc(i).get(fieldName);
TermPositionVector tpv = (TermPositionVector) IndexReader.open(
directory).getTermFreqVector(hits.id(i), fieldName);
TokenStream tokenStream = TokenSources.getTokenStream(tpv);
String result = highlighter.getBestFragments(tokenStream, text, 3, "...");
System.out.println("內容：" + result);
}

isearcher.close();
directory.close();
}
catch (Exception e)
{
e.printStackTrace();
}
}

}

生成效果：

命中：1
內容：據路透社報道，<B>印度尼西亞</B>社會事務部一官員星期二(29日)表示，日惹市附近當地時間27日晨5時53分發生的

里氏<B>6.2級</B><B>地震</B>已經造成至少5427人死亡，20000餘人受傷，近20萬人無家可歸



本文來自CSDN博客，轉載請標明出處：http://blog.csdn.net/xiaoping8411/archive/2010/03/30/5435134.aspx