• <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.";   
                                      /* 標準分詞器：單子分詞 */  
                          Analyzer analyzer             = new StandardAnalyzer(Version.LUCENE_30);   
                          testAnalyzer(analyzer, text);   
                
                          String text2             = "測試中文環境下的信息檢索";   
                          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，并打印結果  
                    *  
                    *             @param analyzer  
                    *             @param text  
                    *             @throws Exception  
                                */              
                               private void testAnalyzer(Analyzer analyzer, String text) throws Exception {   
                          System.out.println(            "當前使用的分詞器：" + 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.";
                                      /* 標準分詞器：單子分詞 */
                          Analyzer analyzer             = new StandardAnalyzer(Version.LUCENE_30);
                          testAnalyzer(analyzer, text);
             
                          String text2             = "測試中文環境下的信息檢索";
                          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，并打印結果
                    *
                    *             @param analyzer
                    *             @param text
                    *             @throws Exception
                                */
                               private void testAnalyzer(Analyzer analyzer, String text) throws Exception {
                          System.out.println(            "當前使用的分詞器：" + 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的頻率非常高，但是對文本所攜帶的信息基本不產生影響，例如英文的            "a、an、the、of"，或中文的"的、了、著"，以及各種標點符號等，這樣的詞稱為停用詞（stop word）。

                文本經過分詞之后，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，轉載請標明出處：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  更多評論
						  
					
            
					2016-07-05 20:08 by 回家看回家看
				
            
				
            54544554
            
			
            
		




            






            

				
			
            
		            		
	
            
	
            
		
			


		
	
            

            

    
    







            
	   
	



日韩欧美亚洲综合久久
|
久久狠狠爱亚洲综合影院|
久久久久国产精品麻豆AR影院|
一本一道久久精品综合|
欧美亚洲日本久久精品|
久久综合久久美利坚合众国|
久久久久亚洲AV无码永不|
久久r热这里有精品视频|
人人狠狠综合久久亚洲高清|
国产色综合久久无码有码|
日本一区精品久久久久影院|
亚洲精品无码久久久久AV麻豆|
亚洲精品乱码久久久久久自慰|
亚洲国产精品婷婷久久|
久久亚洲精品国产亚洲老地址|
久久99国产综合精品免费|
性高朝久久久久久久久久|
99久久人妻无码精品系列|
色天使久久综合网天天
|
久久亚洲2019中文字幕|
久久精品国产网红主播|
2021最新久久久视精品爱|
国产精品99久久精品爆乳|
久久久亚洲欧洲日产国码aⅴ|
亚洲精品乱码久久久久久蜜桃|
久久精品免费一区二区三区|
久久精品国产日本波多野结衣|
久久久久九九精品影院|
亚洲午夜久久久精品影院|
久久国产精品无码一区二区三区|
国产精品一区二区久久精品涩爱|
久久国产精品波多野结衣AV|
国产精品久久久久jk制服|
精品多毛少妇人妻AV免费久久|
亚洲?V乱码久久精品蜜桃
|
性做久久久久久久久久久|
久久91精品综合国产首页|
国产成人久久777777|
久久久久四虎国产精品|
99热都是精品久久久久久|
久久国产精品免费一区二区三区|