码迷,mamicode.com
首页 > 其他好文 > 详细

IKAnalyzer 分词

时间:2014-07-16 00:54:37      阅读:800      评论:0      收藏:0      [点我收藏+]

标签:Lucene   style   blog   http   java   color   

IK Analyzer 3.0特性 

  • 采用了特有的"正向迭代最细粒度切分算法",具有80万字/秒的高速处理能力
  • 采用了多子处理器分析模式,支持:英文字母(IP地址、Email、URL)、数字(日期,常用中文数量词,罗马数字,科学计数法),中文词汇(姓名、地名处理)等分词处理。
  • 优化的词典存储,更小的内存占用。支持用户词典扩展定义
  • 针对Lucene全文检索优化的查询分析器IKQueryParser;采用歧义分析算法优化查询关键字的搜索排列组合,能极大的提高Lucene检索的命中率。

IK 分词算法理解

根据官方说法 IK 分词器采用"正向迭代最细粒度切分算法", 分析它的源代码,可以看到分词工具类 IKQueryParser 起至关重要的作用, 它对搜索关键词采用从最大词到最小词层层迭代检索方式切分。

比如搜索词:"人民大会堂",

若按最大词长切分,到词库中检索该搜索词中最大分割词, 即分割为:"人民大会堂"。

若按最细粒度切分,首先到词库中检索该搜索词中最大分割词, 即分割为:"人民大会堂",然后对"人民大会堂"切分为"人民大会"和"大会堂",以此类推。最后,"人民大会堂"切分为:"人民大会堂|人民大会|人民|民大|大会堂|大会|会堂"。

package org.apache.lucene.demo;

import java.io.StringReader;

import org.apache.commons.lang.StringUtils;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

public class Util {

    static final Logger logger = LoggerFactory.getLogger(Util.class);

    /**
     * 分词器分词
     * 
     * @param text
     * @param analyzer
     * @throws Exception
     */
    private static String token(String text, boolean isMaxWordLength)
            throws Exception {
        try {
            java.util.List<String> list = new java.util.ArrayList<String>();
            org.wltea.analyzer.IKSegmentation ikSegmenter = new org.wltea.analyzer.IKSegmentation(new StringReader(text), isMaxWordLength);
            org.wltea.analyzer.Lexeme lexeme;
            while ((lexeme = ikSegmenter.next()) != null) {
                list.add(lexeme.getLexemeText());
            }
            return StringUtils.join(list, "|");
        } catch (Exception e) {
            throw e;
        }
    }

    public static void main(String[] args) throws Exception {
        String text = "希腊晋级16强不要奖金要基地 称是为人民而战 人民大会堂";
        // String text = "希腊总理:相信希腊人民希望留在欧元区";

        System.out.println(token(text, false));
        System.out.println(token(text, true));

    }
}

 

分词结果是:

希腊|晋级|16|强不|奖金|金|基地|称是|是为|为人民|为人|人民|民而|而战|人民大会堂|人民大会|人民|民大|大会堂|大会|会堂
希腊|晋级|16|强不|奖金|基地|称是|是为|为人民|民而|而战|人民大会堂

 

附录:IK分词处理过程

IK<IKAnalyzer-3.2.8>的整个分词处理过程首先,介绍一下IK的整个分词处理过程:

1. Lucene的分词基类是Analyzer,所以IK提供了Analyzer的一个实现类IKAnalyzer。首先,我们要实例化一个IKAnalyzer,它有一个构造方法接收一个参数isMaxWordLength,这个参数是标识IK是否采用最大词长分词,还是采用最细粒度切分两种分词算法。实际两种算法的实现,最大词长切分是对最细粒度切分的一种后续处理,是对最细粒度切分结果的过滤,选择出最长的分词结果。

2. IKAnalyzer类重写了Analyzer的tokenStream方法,这个方法接收两个参数,field name和输入流reader,其中filed name是Lucene的属性列,是对文本内容进行过分词处理和创建索引之后,索引对应的一个名称,类似数据库的列名。因为IK仅仅涉及分词处理,所以对field name没有进行任何处理,所以此处不做任何讨论。

3. tokenStream方法在Lucene对文本输入流reader进行分词处理时被调用,在IKAnalyzer的tokenStream方法里面仅仅实例化了一个IKTokenizer类,该类继承了Lucene的Tokenizer类。并重写了incrementToken方法,该方法的作用是处理文本输入流生成token,也就是Lucene的最小词元term,在IK里面叫做Lexeme。

4. 在IKtokenizer的构造方法里面实例化了IK里面最终要的分词类IKSegmentation,也称为主分词器。它的构造方法接收两个参数,reader和isMaxWordLength。

5. IKsegmentation的构造方法里面,主要做了三个工作,创建上下文对象Context,加载词典,创建子分词器。

6. Contex主要是存储分词结果集和记录分词处理的游标位置。

7. 词典是作为一个单例被创建的,主要有量词词典、主词典和停词词典。词典是被存储在字典片段类DictSegment 这个字典核心类里面的。DictSegment有一个静态的存储结构charMap,是公共词典表,用来存储所有汉字,key和value都是一个中文汉字,目前IK里面的charMap大概有7100多的键值对。另外,DictSegment还有两个最重要的数据结构,是用来存储字典树的,一个是DictSegment的数组childrenArray,另一个是key为单个汉字(每个词条的第一个汉字),value是DictSegment的HashMap childrenMap。这两个数据结构二者取其一,用来存储字典树。

8. 子分词器才是真正的分词类,IK里面有三个子分词器,量词分词器,CJK分词器(处理中文),停词分词器。主分词器IKSegmentation遍历这三个分词器对文本输入流进行分词处理。

9. IKTokenizer的incrementToken方法调用了IKSegmentation的next方法,next的作用是获得下一个分词结果。next在第一次被调用的时候,需要加载文本输入流,并将其读入buffer,此时便遍历子分词器,对buffer种的文本内容进行分词处理,然后把分词结果添加到context的lexemeSet中。

 

关键API说明 

? 类org.wltea.analyzer.lucene.IKAnalyzer 
说明:IK分词器的主类,是IK分词器的Lucene Analyzer类实现。 
该类使用方法请参考 “代码样例”章节 

? 类org.wltea.analyzer.lucene.IKQueryParser 
? public static Query parse(String field , String query) throws IOException 
说明:单条件,单Field查询分析 
参数1 :String field,  查询的目标域名称 
参数2 :String query , 查询的关键字 
返回值:构造一个单条件,单Field查询器 

? public static Query parseMultiField(String[] fields , String query) throws IOException 
说明:多Field,单条件查询分析 
参数1 :String[] fields,  多个查询的目标域名称的数组 
参数2 :String query , 查询的关键字 
返回值:构造一个多Field,单条件的查询器 

? public static Query parseMultiField(String[] fields , String query ,  BooleanClause.Occur[] flags) throws IOException 
说明:多Field,单条件,多Occur查询分析 
参数1 :String[] fields,  多个查询的目标域名称的数组 
参数2 :String query , 查询的关键字 
参数3 :BooleanClause.Occur[] flags , 查询条件的组合方式(Or/And) 
返回值:构造一个多Field,单条件,多Occur的查询器 

? public static Query parseMultiField(String[] fields , String[] queries) throws IOException 
说明:多Field,多条件查询分析 
参数1 :String[] fields,  多个查询的目标域名称的数组 
参数2 :String[] queries , 对应多个查询域的关键字数组 
返回值:构造一个多Field,多条件的查询器 

? public static Query parseMultiField(String[] fields , String[] queries , BooleanClause.Occur[] flags) throws IOException 
说明:多Field,多条件,多Occur查询 
参数1 :String[] fields,  多个查询的目标域名称的数组 
参数2 :String[] queries , 对应多个查询域的关键字数组 
参数3 :BooleanClause.Occur[] flags , 查询条件的组合方式(Or/And) 
返回值:构造一个多Field, 多条件, 多Occur的查询器 

? 类org.wltea.analyzer.lucene.IKSimilarity 
说明: IKAnalyzer 的相似度评估器。该类重载了DefaultSimilarity的coord方法,提高词元命中个数在相似度比较中的权重影响,即,当有多个词元得到匹配时,文档的相似度将提高。 
该类使用方法请参考 “代码样例”章节 

? 类org.wltea.analyzer.IKSegmentation 
说明: 这是IK分词器的核心类。它是真正意义上的分词器实现。IKAnalyzer的3.0版本有别于之前的版本,它是一个可以独立于Lucene的Java分词器实现。当您需要在Lucene以外的环境中单独使用IK中文分词 组件时,IKSegmentation正是您要找的。 
? public Lexeme next() throws IOException 
说明:读取分词器切分出的下一个语义单元,如果返回null,表示分词器已经结束。 
返回值:Lexeme 语义单元对象,即相当于Lucene的词元对象Token 

? 类org.wltea.analyzer.Lexeme 
说明: 这是IK分词器的语义单元对象,相当于Lucene中的Token词元对象。由于3.0版本被设计为独立于Lucene的Java分词器实现,因此它需要Lexeme来代表分词的结果。 
? public int getBeginPosition() 
说明:获取语义单元的起始字符在文本中的位置 
返回值:int , 语义单元相对于文本的绝对起始位置 

? public int getEndPosition() 
说明:获取语义单元的结束字符的下一个位置 
返回值:int , 语义单元相对于文本的绝对终止位置的下一个字符位置 

? public int getLength() 
说明:获取语义单元包含字符串的长度 
返回值:int , 语义单元长度 = getEndPosition – getBeginPosition 

? public String getLexemeText() 
说明:获取语义单元包含字符串内容 
返回值:String, 语义单元的实际内容,即分词的结果

 

参考:

http://www.cnblogs.com/dennisit/archive/2013/04/07/3005847.html

http://interview.group.iteye.com/group/wiki/1899-ik-analyzer

 

 

IKAnalyzer 分词,布布扣,bubuko.com

IKAnalyzer 分词

标签:Lucene   style   blog   http   java   color   

原文地址:http://www.cnblogs.com/kofxxf/p/3845303.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!