一、引言：
中文分詞一直是自然語言處理的一個痛處，早在08年的時候，就曾經(jīng)有項目涉及到相關(guān)的應(yīng)用（Lunce構(gòu)建全文搜索引擎），那時的痛，沒想到5年后的今天依然存在，切分效果、擴展支持、業(yè)務(wù)應(yīng)用等方面依然不甚理想。收費的版本不提了，原因自不必言表，開源版本中，發(fā)現(xiàn)之前曾經(jīng)活躍的版本，大多已經(jīng)沒落（好幾年沒更新了），存活下來的寥寥無幾。我是一個守舊的人，評估版本的選擇有些保守，至少目前為止，只看1.0正式版本之后的版本，0.XX的不在考慮范圍之內(nèi)，用了一個周末的時間，對比了十多款的樣子，個人感覺源于中科院ICTCLAS的smartcn和IKAnanlyzer效果還是不錯的。
二、結(jié)果對比
2.1 原始文本
"lucene\分析器\使用\分詞器\和\過濾器\構(gòu)成\一個\“管道”，文本\在\流經(jīng)\這個\管道\后\成為\可以\進入\索引\的\最小單位，因此，一個\標(biāo)準\的分析器有兩個部分組成，一個是分詞器tokenizer,它用于將文本按照規(guī)則切分為一個個可以進入索引的最小單位。另外一個是TokenFilter，它主要作用是對切出來的詞進行進一步的處理（如去掉敏感詞、英文大小寫轉(zhuǎn)換、單復(fù)數(shù)處理）等。lucene中的Tokenstram方法首先創(chuàng)建一個tokenizer對象處理Reader對象中的流式文本，然后利用TokenFilter對輸出流進行過濾處理";
2.2 smartcn
lucen\分析器\使用\分詞\器\和\過濾器\構(gòu)成\一個\管道\文本\流經(jīng)\這個\管道\后\成為\可以\進入\索引\最\小\單位\因此\一個\標(biāo)準\分析器\有\(zhòng)兩\個\部分\組成\一個\分詞\器\token\它\用于\將\文本\按照\規(guī)則\切分\為\一個\個\可以\進入\索引\最\小\單位\另外\一個\tokenfilt\它\主要\作用\對\切\(zhòng)出來\詞\進行\(zhòng)進一步\處理\如\去掉\敏感\(zhòng)詞\英文\大小寫\轉(zhuǎn)換\單\復(fù)數(shù)\處理\等\lucen\中\(zhòng)tokenstram\方法\首先\創(chuàng)建\一\個\token\對象\處理\reader\對象\中\(zhòng)式\文本\然后\利用\tokenfilt\對\輸出\進行\(zhòng)過濾\處理\
2.3 IKanalyzer
lucene\分析器\分析\器使\使用\分詞器\分詞\器\和\過濾器\過濾\濾器\構(gòu)成\一個\一\個\管道\文本\在\流經(jīng)\這個\管道\后\成為\可以\進入\索引\的\最小\單位\因此\一個\一\個\標(biāo)準\的\分析器\分析\器\有\(zhòng)兩個\兩\個\部分\分組\組成\一個是\一個\一\個\是\分詞器\分詞\器\tokenizer\它用\用于\將\文本\按照\規(guī)則\切分\切\(zhòng)分為\一個個\一個\一\個個\個\個\可以\進入\索引\的\最小\單位\另外\一個是\一個\一\個\是\tokenfilter\它\主要\作用\用是\對\切出來\切出\切\(zhòng)出來\的\詞\進行\(zhòng)行進\進一步\進一\一步\一\步\的\處理\如\去掉\敏感\(zhòng)詞\英文\大小寫\大小\小寫\轉(zhuǎn)換\單\復(fù)數(shù)\處理\等\lucene\中\(zhòng)的\tokenstram\方法\首先\創(chuàng)建\一個\一\個\tokenizer\對象\處理\reader\對象\中\(zhòng)的\流式\文本\然后\利用\tokenfilter\對\輸出\流進\進行\(zhòng)過濾\處理\
三、smartcn示例程序
1 package dictTest; 2 3 import java.util.Iterator; 4 5 import org.apache.lucene.analysis.TokenStream; 6 import org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer; 7 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute; 8 import org.apache.lucene.analysis.util.CharArraySet; 9 import org.apache.lucene.util.Version;10 11 public class SmartChineseAnalyzerTest {12 13 public static void main(String[] args) {14 try {15 // 要處理的文本16 String text = "lucene分析器使用分詞器和過濾器構(gòu)成一個“管道”，文本在流經(jīng)這個管道后成為可以進入索引的最小單位，因此，一個標(biāo)準的分析器有兩個部分組成，一個是分詞器tokenizer,它用于將文本按照規(guī)則切分為一個個可以進入索引的最小單位。另外一個是TokenFilter，它主要作用是對切出來的詞進行進一步的處理（如去掉敏感詞、英文大小寫轉(zhuǎn)換、單復(fù)數(shù)處理）等。lucene中的Tokenstram方法首先創(chuàng)建一個tokenizer對象處理Reader對象中的流式文本，然后利用TokenFilter對輸出流進行過濾處理";17 //String text = "目前我已經(jīng)用了lucene4.0，雖然是alpha版，但是也是未來的第一步。但是IKAnalyzer不支持lucene4，如果作者在，是否有計劃對4支持？何時支持？";18 // 自定義停用詞19 String[] self_stop_words = { "的", "在","了", "呢", "，", "0", "：", ",", "是", "流" };20 CharArraySet cas = new CharArraySet(Version.LUCENE_46, 0, true);21 for (int i = 0; i < self_stop_words.length; i++) {22 cas.add(self_stop_words[i]);23 }24 25 // 加入系統(tǒng)默認停用詞26 Iterator<Object> itor = SmartChineseAnalyzer.getDefaultStopSet().iterator();27 while (itor.hasNext()) {28 cas.add(itor.next());29 }30 31 32 // 中英文混合分詞器(其他幾個分詞器對中文的分析都不行)33 SmartChineseAnalyzer sca = new SmartChineseAnalyzer(Version.LUCENE_46, cas);34 35 TokenStream ts = sca.tokenStream("field", text);36 CharTermAttribute ch = ts.addAttribute(CharTermAttribute.class);37 38 ts.reset();39 while (ts.incrementToken()) {40 System.out.print(ch.toString()+"\\");41 }42 ts.end();43 ts.close();44 } catch (Exception ex) {45 ex.printStackTrace();46 }47 }48 49 }
四、IKanalyzer示例程序
1 package dictTest; 2 3 import org.wltea.analyzer.*; 4 import org.apache.lucene.analysis.Analyzer; 5 import org.apache.lucene.analysis.TokenStream; 6 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute; 7 import org.wltea.analyzer.lucene.*; 8 9 public class IKAnalyzerTest {10 11 public static void main(String[] args) {12 // TODO Auto-generated method stub13 Analyzer ik = new IKAnalyzer();14 try{15 String text = "lucene分析器使用分詞器和過濾器構(gòu)成一個“管道”，文本在流經(jīng)這個管道后成為可以進入索引的最小單位，因此，一個標(biāo)準的分析器有兩個部分組成，一個是分詞器tokenizer,它用于將文本按照規(guī)則切分為一個個可以進入索引的最小單位。另外一個是TokenFilter，它主要作用是對切出來的詞進行進一步的處理（如去掉敏感詞、英文大小寫轉(zhuǎn)換、單復(fù)數(shù)處理）等。lucene中的Tokenstram方法首先創(chuàng)建一個tokenizer對象處理Reader對象中的流式文本，然后利用TokenFilter對輸出流進行過濾處理";16 TokenStream ts = ik.tokenStream("field", text);17 18 CharTermAttribute ch = ts.addAttribute(CharTermAttribute.class);19 20 ts.reset();21 while (ts.incrementToken()) {22 //System.out.println(ch.toString());23 System.out.print(ch.toString() + "\\");24 }25 ts.end();26 ts.close();27 28 } catch (Exception ex) {29 ex.printStackTrace();30 } 31 32 }33 }
五、結(jié)論
1.二者分詞效果，相比其他已經(jīng)不錯，都值得肯定；
2.smartcn為Lucene4.6版本自帶（之前版本也有），中文分詞不錯，英文分詞有問題，Lucene分詞后變成了Luncn；
3.IKAnalyzer分詞后的碎片太多，可以和人工分析效果做對比；
4.從自定義詞庫的角度考慮，因為smartcn在Lucene4.6中的版本，目前不支持自定義詞庫，成為致命缺陷，只能放棄。
