Paoding Analyzer

je分词用lucene.中文分词庖丁解牛

一般使用
使用评估
参考资料
下载
开始使用
分词策略

效果体验
 在命令行模式下执行analyzer.bat(windows)或analyzer.sh(linux)即可0
u       显示帮助
E:\Paoding-Analysis>analyzer.bat ?
u       分词对话
多次输入或粘贴不同的文字内容，查看分词效果，如：
E:\Paoding-Analysis>analyzer.bat
paoding> |
 此时使用者可以在光标所在所在位置(|)输入或粘贴待分词的内容(以分号结束)，按下Enter键换行，analyzer.bat便可以输出分词结果。
paoding> 中文分词;
1:      中文/分词/
        分词器net.paoding.analysis.analyzer.PaodingAnalyzer
        内容长度 4字符， 分 2个词
        分词耗时 0ms
--------------------------------------------------
分词完毕后，又会进入以上对话模式。
键入:e或:q退出会话 (包括:符号) 。
键入:?显示帮助(包括:符号) 。

u       对文件进行分词
analyzer.bat允许对指定的文件进行分词体验。文件以路径名给出可以使绝对地址、相对当前目录的地址，或以classpath:为前缀的类路径地址。示例如下:
paoding> :-f E:/content.txt
paoding> :-f E:/content.txt -c gbk
paoding> :-f E:/content.txt -c gbk -m max

开始使用
 第一步：安装词典
将程序存储在某个目录下，这个目录称为安装目录！
 将程序拷贝到安装目录称为安装程序！
 增加、删除、修改程序称为自定制程序！

 第二步：配置词典系统环境变量
 庖丁中文分词需要一套词典，使用者安装辞典后，应该设置系统环境变量PAODING_DIC_HOME指向词典安装目录。
在windows下，通过“我的电脑”属性之“高级”选项卡，然后在进入“环境变量”编辑区，新建环境变量，设置“变量名”为PAODING_DIC_HOME；“变量值”为E:/data/paoding/dic
工程中使用分词，dic文件包copy到 web-info/classes 下面！

 第三步：将庖丁JAR类库导入工程
 将paoding-analysis.jar添加到工程。
 至此，便可以在应用代码中使用庖丁提供的中文分析器了。
 
 提醒：以下示例代码中的IDNEX_PATH表示索引库地址，读者运行以下代码前，应该赋与一个不重要的地址，比如/data/paoding/test_index 或E:/paoding_test_index，以免一时疏忽将重要数据丢失。

 

package net.paoding.analysis;

import net.paoding.analysis.analyzer.PaodingAnalyzer;

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.Searcher;
import org.apache.lucene.search.highlight.Formatter;
import org.apache.lucene.search.highlight.Highlighter;
import org.apache.lucene.search.highlight.QueryScorer;
import org.apache.lucene.search.highlight.TokenGroup;
import org.apache.lucene.search.highlight.TokenSources;

/**
 * 创建索引库
 * @author Administrator
 *
 */
public class CreateIndexLibTest {
    public static void main(String[] args) throws Exception {

        /** 创建分词 */
        // 词典目录
        String path = "D:\\Java\\paoding_analyzer\\dic";
        // 庖丁解牛中文分词器
        Analyzer analyzer = new PaodingAnalyzer();
        // 索引书写器
        IndexWriter writer = new IndexWriter(path, analyzer, true);
        // 文档
        Document doc = new Document();
        // 字段
        Field field = new Field(
                "content",                                  // name
                "你好，世界!",                               // value
                Field.Store.YES,                            // store
                Field.Index.TOKENIZED,                      // index
                Field.TermVector.WITH_POSITIONS_OFFSETS);   // termVector
        doc.add(field);             // 文档添加字段
        writer.addDocument(doc);    // 索引书写器添加文档
        writer.close();
        System.out.println("Indexed success!");

        /** 搜索关键词 */
        // 索引读取器
        IndexReader reader = IndexReader.open(path);
        // 查询解析器
        QueryParser parser = new QueryParser("content", analyzer);
        Query query = parser.parse("你好");   // 解析
        // 搜索器
        Searcher searcher = new IndexSearcher(reader);
        // 命中
        Hits hits = searcher.search(query);
        if (hits.length() == 0) {
            System.out.println("hits.length=0");
        }

        /** 高亮显示搜索的关键词 */
        Document doc2 = hits.doc(0);
        //高亮处理
        String text = doc2.get("content");
        // 条件位置载体
        TermPositionVector tpv = (TermPositionVector) reader.getTermFreqVector(// 获得条件次数载体
                        0, "content");
        // 记号流
        TokenStream ts = TokenSources.getTokenStream(tpv);
        // 格式化器
        Formatter formatter = new Formatter() {
            // 高亮条件
            public String highlightTerm(String srcText, TokenGroup g) {
                if (g.getTotalScore() <= 0) {
                    return srcText;
                }
                return "<b>" + srcText + "</b>";
            }
        };
        // 高亮器
        Highlighter highlighter = new Highlighter(
                formatter,
                new QueryScorer(query));    // 查询记录员
        // 获得最好的片段
        String result = highlighter.getBestFragments(ts, text, 5, "…");
        System.out.println("result:\n\t" + result);
        reader.close();

    }
}

 

 

 

package net.paoding.analysis;

import java.io.StringReader;

import junit.framework.TestCase;
import net.paoding.analysis.analyzer.PaodingAnalyzer;

import org.apache.lucene.analysis.Token;
import org.apache.lucene.analysis.TokenStream;
/**
 * 解析器单元测试(JUnit)
 * @author Administrator
 *
 */
public class AnalyzerTest extends TestCase {

    protected PaodingAnalyzer analyzer = new PaodingAnalyzer();

    protected StringBuilder sb = new StringBuilder();

    /**
     * 解剖分词
     * @param input
     * @return
     */
    protected String dissect(String input) {
        try {
            TokenStream ts = analyzer.tokenStream("", new StringReader(input));
            Token token;
            sb.setLength(0);
            while ((token = ts.next()) != null) {
                sb.append(token.termText()).append('/');
            }
            if (sb.length() > 0) {
                sb.setLength(sb.length() - 1);
            }
            System.out.println(sb.toString());
            return sb.toString();
        } catch (Exception e) {
            e.printStackTrace();
            return "error";
        }
    }

    /**
     * 断言值: 预测的分词
     * 结果值：词典中的分词
     * 解剖关键字 "a",返回"",表示在词典分词策略中字母(a)不是一个分词
     * 断言结果为Green bar 表示，返回的结果与断言中的结果相同。
     */
    public void test000() {
        String result = dissect("a");
        assertEquals("", result);       // (断言值,结果值)
    }

    /**
     *
     */
    public void test001() {
        String result = dissect("空格 a 空格");
        assertEquals("空格/空格", result);
    }

    /**
     *
     */
    public void test002() {
        String result = dissect("A座");
        assertEquals("a座", result);
    }

    /**
     *
     */
    public void test003() {
        String result = dissect("u盘");
        assertEquals("u盘", result);
    }

    public void test004() {
        String result = dissect("刚买的u盘的容量");
        assertEquals("刚/买的/u盘/容量", result); // 中文分词效果
    }

    public void test005() {
        String result = dissect("K歌之王很好听");
        assertEquals("k歌之王/很好/好听", result);
    }
    // --------------------------------------------------------------
    // 仅包含词语的句子分词策略
    // --------------------------------------------------------------

    /**
     * 句子全由词典词语组成，但词语之间没有包含、交叉关系
     */
    public void test100() {
        String result = dissect("台北中文国际");
        assertEquals("台北/中文/国际", result);
    }

    /**
     * 句子全由词典词语组成，但词语之间有包含关系
     */
    public void test101() {
        String result = dissect("北京首都机场");
        assertEquals("北京/首都/机场", result);
    }

    /**
     * 句子全由词典词语组成，但词语之间有交叉关系
     */
    public void test102() {
        String result = dissect("东西已经拍卖了");
        assertEquals("东西/已经/拍卖/卖了", result);
    }

    /**
     * 句子全由词典词语组成，但词语之间有包含、交叉等复杂关系
     */
    public void test103() {
        String result = dissect("羽毛球拍");
        assertEquals("羽毛/羽毛球/球拍", result);
    }

    // --------------------------------------------------------------
    // noise(噪音)词汇和单字的分词策略
    // --------------------------------------------------------------

    /**
     * 词语之间有一个noise字(的)
     */
    public void test200() {
        String result = dissect("足球的魅力");
        assertEquals("足球/魅力", result);
    }

    /**
     * 词语之间有一个noise词语(因之)
     */
    public void test201() {
        String result = dissect("主人因之生气");
        assertEquals("主人/生气", result);
    }

    /**
     * 词语前后分别有单字和双字的noise词语(与,有关)
     */
    public void test202() {
        String result = dissect("与谋杀有关");
        assertEquals("谋杀", result);
    }

    /**
     * 前有noise词语(哪怕)，后面跟随了连续的noise单字(了,你)
     */
    public void test203() {
        String result = dissect("哪怕朋友背叛了你");
        assertEquals("朋友/背叛", result);
    }

    /**
     * 前后连续的noise词汇(虽然,某些)，词语中有noise单字(很)
     */
    public void test204() {
        String result = dissect("虽然某些动物很凶恶");
        assertEquals("动物/凶恶", result);
    }

    // --------------------------------------------------------------
    // 词典没有收录的字符串的分词策略
    // --------------------------------------------------------------


    /**
     * 仅1个字的非词汇串(东,西,南,北)
     */
    public void test300() {
        String result = dissect("东&&西&&南&&北");
        assertEquals("东/西/南/北", result);
    }


    /**
     * 仅两个字的非词汇串(古哥,谷歌,收狗,搜狗)
     */
    public void test302() {
        String result = dissect("古哥&&谷歌&&收狗&&搜狗");
        assertEquals("古哥/谷歌/收狗/搜狗", result);
    }

    /**
     * 多个字的非词汇串
     */
    public void test303() {
        String result = dissect("这是鸟语：玉鱼遇欲雨");
        assertEquals("这是/鸟语/玉鱼/鱼遇/遇欲/欲雨", result);
    }

    /**
     * 两个词语之间有一个非词汇的字(真)
     */
    public void test304() {
        String result = dissect("朋友真背叛了你了!");
        assertEquals("朋友/真/背叛", result);
    }

    /**
     * 两个词语之间有一个非词汇的字符串(盒蟹)
     */
    public void test305() {
        String result = dissect("建设盒蟹社会");
        assertEquals("建设/盒蟹/社会", result);
    }

    /**
     * 两个词语之间有多个非词汇的字符串(盒少蟹)
     */
    public void test306() {
        String result = dissect("建设盒少蟹社会");
        assertEquals("建设/盒少/少蟹/社会", result);
    }

    // --------------------------------------------------------------
    // 不包含小数点的汉字数字
    // --------------------------------------------------------------


    /**
     * 单个汉字数字
     */
    public void test400() {
        String result = dissect("二");
        assertEquals("2", result);
    }

    /**
     * 两个汉字数字
     */
    public void test61() {
        String result = dissect("五六");
        assertEquals("56", result);
    }

    /**
     * 多个汉字数字
     */
    public void test62() {
        String result = dissect("三四五六");
        assertEquals("3456", result);
    }

    /**
     * 十三
     */
    public void test63() {
        String result = dissect("十三");
        assertEquals("13", result);
    }

    /**
     * 二千
     */
    public void test65() {
        String result = dissect("二千");
        assertEquals("2000", result);
    }

    /**
     * 两千
     */
    public void test651() {
        String result = dissect("两千");
        assertEquals("2000", result);
    }
    /**
     * 两千
     */
    public void test6511() {
        String result = dissect("两千个");
        assertEquals("2000/个", result);
    }

    /**
     * 2千
     */
    public void test652() {
        String result = dissect("2千");
        assertEquals("2000", result);
    }

    /**
     *
     */
    public void test653() {
        String result = dissect("3千万");
        assertEquals("30000000", result);
    }

    /**
     *
     */
    public void test654() {
        String result = dissect("3千万个案例");
        assertEquals("30000000/个/案例", result);
    }


    /**
     *
     */
    public void test64() {
        String result = dissect("千万");
        assertEquals("千万", result);
    }

    public void test66() {
        String result = dissect("两两");
        assertEquals("两两", result);
    }

    public void test67() {
        String result = dissect("二二");
        assertEquals("22", result);
    }

    public void test68() {
        String result = dissect("2.2两");
        assertEquals("2.2/两", result);
    }

    public void test69() {
        String result = dissect("二两");
        assertEquals("2/两", result);
    }


    public void test690() {
        String result = dissect("2两");
        assertEquals("2/两", result);
    }

    public void test691() {
        String result = dissect("2千克");
        assertEquals("2000/克", result);
    }

    public void test692() {
        String result = dissect("2公斤");
        assertEquals("2/公斤", result);
    }

    public void test693() {
        String result = dissect("2世纪");
        assertEquals("2/世纪", result);
    }

    public void test7() {
        String result = dissect("哪怕二");
        assertEquals("2", result);
    }

}