• <ins id="pjuwb"></ins>
    <blockquote id="pjuwb"><pre id="pjuwb"></pre></blockquote>

    <noscript id="pjuwb"></noscript>
          <sup id="pjuwb"><pre id="pjuwb"></pre></sup>

            <dd id="pjuwb"></dd>
            <abbr id="pjuwb"></abbr>
            

    
            

            




            







												


        

            
	
            
		
			


            
	
            
	
 
C++博客 ::
首頁 ::
新隨筆 ::
 ::

 ::
管理


            
		            		
	
            
	
            
		
			
            
			
            
		            		
		
			
            
				
					
	
            
		
		
            1. 常見的中文分詞器有：極易分詞的(MMAnalyzer) 、"庖丁分詞"分詞器(PaodingAnalzyer)、IKAnalyzer 等等。其中 MMAnalyzer 和 PaodingAnalzyer 不支持 lucene3.0及以后版本。

               使用方式都類似，在構(gòu)建分詞器時

                 Analyzer analyzer             = new [My]Analyzer(); 

                 

            2. 這里只示例 IKAnalyzer，目前只有它支持Lucene3.0 以后的版本。 

               首先需要導(dǎo)入 IKAnalyzer3.            2.0Stable.jar 包

             

            3. 示例代碼

                 view plaincopy to clipboardprint            ?
            public class AnalyzerTest {   
                   @Test  
                               public void test() throws Exception {   
                          String text             = "An IndexWriter creates and maintains an index.";   
                                      /* 標(biāo)準(zhǔn)分詞器：單子分詞 */  
                          Analyzer analyzer             = new StandardAnalyzer(Version.LUCENE_30);   
                          testAnalyzer(analyzer, text);   
                
                          String text2             = "測試中文環(huán)境下的信息檢索";   
                          testAnalyzer(            new IKAnalyzer(), text2); // 使用IKAnalyzer，詞庫分詞   
                   }               
                
                               /**  
                    * 使用指定的分詞器對指定的文本進行分詞，并打印結(jié)果  
                    *  
                    *             @param analyzer  
                    *             @param text  
                    *             @throws Exception  
                                */              
                               private void testAnalyzer(Analyzer analyzer, String text) throws Exception {   
                          System.out.println(            "當(dāng)前使用的分詞器：" + analyzer.getClass());   
                
                          TokenStream tokenStream             = analyzer.tokenStream("content", new StringReader(text));   
                          tokenStream.addAttribute(TermAttribute.            class);   
                
                                      while (tokenStream.incrementToken()) {   
                                 TermAttribute termAttribute             = tokenStream.getAttribute(TermAttribute.class);   
                                 System.out.println(termAttribute.term());   
                          }               
                   }               
            }               
               
            public class AnalyzerTest {
                   @Test
                               public void test() throws Exception {
                          String text             = "An IndexWriter creates and maintains an index.";
                                      /* 標(biāo)準(zhǔn)分詞器：單子分詞 */
                          Analyzer analyzer             = new StandardAnalyzer(Version.LUCENE_30);
                          testAnalyzer(analyzer, text);
             
                          String text2             = "測試中文環(huán)境下的信息檢索";
                          testAnalyzer(            new IKAnalyzer(), text2); // 使用IKAnalyzer，詞庫分詞
                   }
             
                               /**
                    * 使用指定的分詞器對指定的文本進行分詞，并打印結(jié)果
                    *
                    *             @param analyzer
                    *             @param text
                    *             @throws Exception
                                */
                               private void testAnalyzer(Analyzer analyzer, String text) throws Exception {
                          System.out.println(            "當(dāng)前使用的分詞器：" + analyzer.getClass());
             
                          TokenStream tokenStream             = analyzer.tokenStream("content", new StringReader(text));
                          tokenStream.addAttribute(TermAttribute.            class);
             
                                      while (tokenStream.incrementToken()) {
                                 TermAttribute termAttribute             = tokenStream.getAttribute(TermAttribute.class);
                                 System.out.println(termAttribute.term());
                          }
                   }
            }
              

            3. 如何擴展詞庫：很多情況下，我們可能需要定制自己的詞庫，例如 XXX 公司，我們希望這能被分詞器識別，并拆分成一個詞。

               IKAnalyzer 可以很方便的實現(xiàn)我們的這種需求。

               新建 IKAnalyzer.cfg.xml

                 view plaincopy to clipboardprint            ?
            <?xml version="1.0" encoding="UTF-8"?>  
            <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">    
            <properties>    
                               <!-- 1，文件要是 UTF-8 編碼。2，一行寫一個詞 -->  
                               <!--用戶可以在這里配置自己的擴展字典-->  
                               <entry key="ext_dict">/mydict.dic</entry>  
            </properties>  
            <?xml version="1.0" encoding="UTF-8"?>
            <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> 
            <properties> 
                               <!-- 1，文件要是 UTF-8 編碼。2，一行寫一個詞 -->
                               <!--用戶可以在這里配置自己的擴展字典-->
                               <entry key="ext_dict">/mydict.dic</entry>
            </properties> 

                   

                   解析：

                                       <entry key="ext_dict">/mydict.dic</entry> 擴展了一個自己的詞典，名字叫 mydict.dic

                           因此我們要建一個文本文件，名為：mydict.dic  （此處使用的 .dic 并非必須）

                           在這個文本文件里寫入：

                                北京XXXX科技有限公司

                           這樣就添加了一個詞匯。

                           如果要添加多個，則新起一行：

                                詞匯一

                                詞匯二

                                詞匯三

                                

                           需要注意的是，這個文件一定要使用 UTF            -8編碼

             

            4. 停用詞：

                有些詞在文本中出現(xiàn)的頻率非常高，但是對文本所攜帶的信息基本不產(chǎn)生影響，例如英文的            "a、an、the、of"，或中文的"的、了、著"，以及各種標(biāo)點符號等，這樣的詞稱為停用詞（stop word）。

                文本經(jīng)過分詞之后，停用詞通常被過濾掉，不會被進行索引。在檢索的時候，用戶的查詢中如果含有停用詞，檢索系統(tǒng)也會將其過濾掉（因為用戶輸入的查詢字符串也要進行分詞處理）。

                排除停用詞可以加快建立索引的速度，減小索引庫文件的大小。

                IKAnalyzer 中自定義停用詞也非常方便，和配置             "擴展詞庫" 操作類型，只需要在 IKAnalyzer.cfg.xml 加入如下配置：

                               <entry key="ext_stopwords">/ext_stopword.dic</entry> 

                   同樣這個配置也指向了一個文本文件             /ext_stopword.dic （后綴名任意），格式如下：

                       也

                      了

                      仍

                      從

                      



            本文來自CSDN博客，轉(zhuǎn)載請標(biāo)明出處：http:            //blog.csdn.net/wenlin56/archive/2010/12/13/6074124.aspx
            

            
	
            


            
	    
    

            Feedback
            
	
			
            
				
            
					
            
						# re:  Lucene入門級筆記五 -- 分詞器，使用中文分詞器，擴展詞庫，停用詞  回復(fù)  更多評論
						  
					
            
					2016-07-05 20:08 by 回家看回家看
				
            
				
            54544554
            
			
            
		




            






            

				
			
            
		            		
	
            
	
            
		
			


		
	
            

            

    
    







            
	   
	



国产一级做a爰片久久毛片|
久久天天躁夜夜躁狠狠躁2022|
久久99精品国产麻豆宅宅|
伊人久久无码中文字幕|
国产欧美久久久精品|
国产精品九九久久免费视频|
漂亮人妻被中出中文字幕久久|
无码国产69精品久久久久网站|
久久国产一区二区|
狠狠色婷婷久久综合频道日韩|
国内精品久久人妻互换|
四虎影视久久久免费|
精品国产一区二区三区久久久狼|
久久国产香蕉一区精品|
久久精品国产亚洲AV无码娇色|
国产精品久久久久乳精品爆|
婷婷伊人久久大香线蕉AV|
久久噜噜久久久精品66|
国产精品久久久久久影院|
久久久久久精品无码人妻|
久久久久亚洲AV成人网|
99久久国产主播综合精品|
久久综合狠狠综合久久|
伊人久久大香线蕉无码麻豆|
久久本道伊人久久|
久久久久亚洲av无码专区|
久久强奷乱码老熟女网站|
婷婷久久综合九色综合九七|
精品国产乱码久久久久久浪潮|
久久精品aⅴ无码中文字字幕不卡
久久精品aⅴ无码中文字字幕重口
|
2021精品国产综合久久|
欧美亚洲国产精品久久久久|
狠狠精品干练久久久无码中文字幕
|
日本久久久久久中文字幕|
久久夜色精品国产欧美乱|
无码专区久久综合久中文字幕|
狠狠色丁香久久婷婷综合蜜芽五月|
久久精品这里只有精99品|
久久久久国色AV免费观看|
久久精品一区二区三区中文字幕|
久久99国产精品成人欧美|