JAVA—咖啡館

支持英文、數(shù)字、中文（簡(jiǎn)體）混合分詞
常用的數(shù)量和人名的匹配
超過(guò)22萬(wàn)詞的詞庫(kù)整理
實(shí)現(xiàn)正向最大匹配算法

//采用正向最大匹配的中文分詞算法，相當(dāng)于分詞粒度等于0
MMAnalyzer analyzer = new MMAnalyzer();

//參數(shù)為分詞粒度：當(dāng)字?jǐn)?shù)等于或超過(guò)該參數(shù)，且能成詞，該詞就被切分出來(lái)
MMAnalyzer analyzer = new MMAnalyzer(2);

//增加一個(gè)新詞典，采用每行一個(gè)詞的讀取方式
MMAnalyzer.addDictionary(reader);

//增加一個(gè)新詞
MMAnalyzer.addWord(newWord);

//刪除詞庫(kù)中的全部詞語(yǔ)（注意：非常危險(xiǎn)的操作，在沒(méi)有加載新的詞庫(kù)前所有的分詞都將失效）
MMAnalyzer.clear();

//詞庫(kù)中是否包含該詞
MMAnalyzer.contains(String word);

//從詞庫(kù)中移除該詞
MMAnalyzer.removeWord(String word);

//當(dāng)前詞庫(kù)中包含的詞語(yǔ)總數(shù)
MMAnalyzer.size();

view plaincopy to clipboardprint?
package demo.analysis;   
 
import java.io.IOException;   
 
import jeasy.analysis.MMAnalyzer;   
 
public class Segment   
{   
 
public static void main(String[] args)   
{   
String text = "據(jù)路透社報(bào)道，印度尼西亞社會(huì)事務(wù)部一官員星期二(29日)表示，"   
+ "日惹市附近當(dāng)?shù)貢r(shí)間27日晨5時(shí)53分發(fā)生的里氏6.2級(jí)地震已經(jīng)造成至少5427人死亡，"   
+ "20000余人受傷，近20萬(wàn)人無(wú)家可歸。";   
 
MMAnalyzer analyzer = new MMAnalyzer();   
try   
{   
System.out.println(analyzer.segment(text, " | "));   
}   
catch (IOException e)   
{   
e.printStackTrace();   
}   
}   
}  
package demo.analysis;

import java.io.IOException;

import jeasy.analysis.MMAnalyzer;

public class Segment
{

public static void main(String[] args)
{
String text = "據(jù)路透社報(bào)道，印度尼西亞社會(huì)事務(wù)部一官員星期二(29日)表示，"
+ "日惹市附近當(dāng)?shù)貢r(shí)間27日晨5時(shí)53分發(fā)生的里氏6.2級(jí)地震已經(jīng)造成至少5427人死亡，"
+ "20000余人受傷，近20萬(wàn)人無(wú)家可歸。";

MMAnalyzer analyzer = new MMAnalyzer();
try
{
System.out.println(analyzer.segment(text, " | "));
}
catch (IOException e)
{
e.printStackTrace();
}
}
} 

生成效果：

據(jù) | 路透社 | 報(bào)道 | 印度尼西亞 | 社會(huì) | 事務(wù) | 部 | 官員 | 星期二 | 29日 | 表示 | 日惹 | 市 | 附近 | 當(dāng)?shù)貢r(shí)間 | 27日

| 晨 | 5時(shí) | 53分 | 發(fā)生 | 里氏 | 6.2級(jí) | 地震 | 已經(jīng) | 造成 | 至少 | 5427人 | 死亡 | 20000 | 余人 | 受傷 | 近 | 20萬(wàn)人 | 無(wú)家可歸 |

view plaincopy to clipboardprint?
package demo.analysis;   
 
import jeasy.analysis.MMAnalyzer;   
 
import org.apache.lucene.analysis.Analyzer;   
import org.apache.lucene.document.Document;   
import org.apache.lucene.document.Field;   
import org.apache.lucene.index.IndexWriter;   
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.store.Directory;   
import org.apache.lucene.store.RAMDirectory;   
 
public class Segment   
{   
 
public static void main(String[] args)   
{   
String fieldName = "text";   
String text = "據(jù)路透社報(bào)道，印度尼西亞社會(huì)事務(wù)部一官員星期二(29日)表示，"   
+ "日惹市附近當(dāng)?shù)貢r(shí)間27日晨5時(shí)53分發(fā)生的里氏6.2級(jí)地震已經(jīng)造成至少5427人死亡，"   
+ "20000余人受傷，近20萬(wàn)人無(wú)家可歸。"; //檢索內(nèi)容   
 
//采用正向最大匹配的中文分詞算法   
Analyzer analyzer = new MMAnalyzer();   
 
Directory directory = new RAMDirectory();   
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);   
 
try   
{   
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);   
iwriter.setMaxFieldLength(25000);   
Document doc = new Document();   
doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.TOKENIZED));   
iwriter.addDocument(doc);   
iwriter.close();   
 
IndexSearcher isearcher = new IndexSearcher(directory);   
QueryParser parser = new QueryParser(fieldName, analyzer);   
Query query = parser.parse("印度尼西亞 6.2級(jí)地震");//檢索詞   
Hits hits = isearcher.search(query);   
System.out.println("命中：" + hits.length());   
 
for (int i = 0; i < hits.length(); i++)   
{   
Document hitDoc = hits.doc(i);   
System.out.println("內(nèi)容：" + hitDoc.get(fieldName));   
}   
 
isearcher.close();   
directory.close();   
}   
catch (Exception e)   
{   
e.printStackTrace();   
}   
}   
 
}  
package demo.analysis;

import jeasy.analysis.MMAnalyzer;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexWriter;
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.store.Directory;
import org.apache.lucene.store.RAMDirectory;

public class Segment
{

public static void main(String[] args)
{
String fieldName = "text";
String text = "據(jù)路透社報(bào)道，印度尼西亞社會(huì)事務(wù)部一官員星期二(29日)表示，"
+ "日惹市附近當(dāng)?shù)貢r(shí)間27日晨5時(shí)53分發(fā)生的里氏6.2級(jí)地震已經(jīng)造成至少5427人死亡，"
+ "20000余人受傷，近20萬(wàn)人無(wú)家可歸。"; //檢索內(nèi)容

//采用正向最大匹配的中文分詞算法
Analyzer analyzer = new MMAnalyzer();

Directory directory = new RAMDirectory();
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);

try
{
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);
iwriter.setMaxFieldLength(25000);
Document doc = new Document();
doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.TOKENIZED));
iwriter.addDocument(doc);
iwriter.close();

IndexSearcher isearcher = new IndexSearcher(directory);
QueryParser parser = new QueryParser(fieldName, analyzer);
Query query = parser.parse("印度尼西亞 6.2級(jí)地震");//檢索詞
Hits hits = isearcher.search(query);
System.out.println("命中：" + hits.length());

for (int i = 0; i < hits.length(); i++)
{
Document hitDoc = hits.doc(i);
System.out.println("內(nèi)容：" + hitDoc.get(fieldName));
}

isearcher.close();
directory.close();
}
catch (Exception e)
{
e.printStackTrace();
}
}

} 

生成效果：

命中：1
內(nèi)容：據(jù)路透社報(bào)道，印度尼西亞社會(huì)事務(wù)部一官員星期二(29日)表示，日惹市附近當(dāng)?shù)貢r(shí)間27日晨5時(shí)53分發(fā)生

的里氏6.2級(jí)地震已經(jīng)造成至少5427人死亡，20000余人受傷，近20萬(wàn)人無(wú)家可歸。

view plaincopy to clipboardprint?
package demo.analysis;   
 
import jeasy.analysis.MMAnalyzer;   
 
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.highlight.Highlighter;   
import org.apache.lucene.search.highlight.QueryScorer;   
import org.apache.lucene.search.highlight.TokenSources;   
import org.apache.lucene.store.Directory;   
import org.apache.lucene.store.RAMDirectory;   
 
public class Segment   
{   
 
public static void main(String[] args)   
{   
String fieldName = "text";   
String text = "據(jù)路透社報(bào)道，印度尼西亞社會(huì)事務(wù)部一官員星期二(29日)表示，"   
+ "日惹市附近當(dāng)?shù)貢r(shí)間27日晨5時(shí)53分發(fā)生的里氏6.2級(jí)地震已經(jīng)造成至少5427人死亡，"   
+ "20000余人受傷，近20萬(wàn)人無(wú)家可歸。"; //檢索內(nèi)容   
 
//采用正向最大匹配的中文分詞算法   
Analyzer analyzer = new MMAnalyzer();   
 
Directory directory = new RAMDirectory();   
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);   
 
try   
{   
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);   
iwriter.setMaxFieldLength(25000);   
Document doc = new Document();   
doc.add(new Field(fieldName, text, Field.Store.YES,   
Field.Index.TOKENIZED,   
Field.TermVector.WITH_POSITIONS_OFFSETS));   
iwriter.addDocument(doc);   
iwriter.close();   
 
IndexSearcher isearcher = new IndexSearcher(directory);   
QueryParser parser = new QueryParser(fieldName, analyzer);   
Query query = parser.parse("印度尼西亞 6.2級(jí)地震");//檢索詞   
Hits hits = isearcher.search(query);   
System.out.println("命中：" + hits.length());   
 
Highlighter highlighter = new Highlighter(new QueryScorer(query));   
for (int i = 0; i < hits.length(); i++)   
{   
text = hits.doc(i).get(fieldName);   
TermPositionVector tpv = (TermPositionVector) IndexReader.open(   
directory).getTermFreqVector(hits.id(i), fieldName);   
TokenStream tokenStream = TokenSources.getTokenStream(tpv);   
String result = highlighter.getBestFragments(tokenStream, text, 3, "...");   
System.out.println("內(nèi)容：" + result);   
}   
 
isearcher.close();   
directory.close();   
}   
catch (Exception e)   
{   
e.printStackTrace();   
}   
}   
 
}  
package demo.analysis;

import jeasy.analysis.MMAnalyzer;

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.highlight.Highlighter;
import org.apache.lucene.search.highlight.QueryScorer;
import org.apache.lucene.search.highlight.TokenSources;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.RAMDirectory;

public class Segment
{

public static void main(String[] args)
{
String fieldName = "text";
String text = "據(jù)路透社報(bào)道，印度尼西亞社會(huì)事務(wù)部一官員星期二(29日)表示，"
+ "日惹市附近當(dāng)?shù)貢r(shí)間27日晨5時(shí)53分發(fā)生的里氏6.2級(jí)地震已經(jīng)造成至少5427人死亡，"
+ "20000余人受傷，近20萬(wàn)人無(wú)家可歸。"; //檢索內(nèi)容

//采用正向最大匹配的中文分詞算法
Analyzer analyzer = new MMAnalyzer();

Directory directory = new RAMDirectory();
//Directory directory = FSDirectory.getDirectory("/tmp/testindex", true);

try
{
IndexWriter iwriter = new IndexWriter(directory, analyzer, true);
iwriter.setMaxFieldLength(25000);
Document doc = new Document();
doc.add(new Field(fieldName, text, Field.Store.YES,
Field.Index.TOKENIZED,
Field.TermVector.WITH_POSITIONS_OFFSETS));
iwriter.addDocument(doc);
iwriter.close();

IndexSearcher isearcher = new IndexSearcher(directory);
QueryParser parser = new QueryParser(fieldName, analyzer);
Query query = parser.parse("印度尼西亞 6.2級(jí)地震");//檢索詞
Hits hits = isearcher.search(query);
System.out.println("命中：" + hits.length());

Highlighter highlighter = new Highlighter(new QueryScorer(query));
for (int i = 0; i < hits.length(); i++)
{
text = hits.doc(i).get(fieldName);
TermPositionVector tpv = (TermPositionVector) IndexReader.open(
directory).getTermFreqVector(hits.id(i), fieldName);
TokenStream tokenStream = TokenSources.getTokenStream(tpv);
String result = highlighter.getBestFragments(tokenStream, text, 3, "...");
System.out.println("內(nèi)容：" + result);
}

isearcher.close();
directory.close();
}
catch (Exception e)
{
e.printStackTrace();
}
}

}
 
生成效果：

命中：1
內(nèi)容：據(jù)路透社報(bào)道，<B>印度尼西亞</B>社會(huì)事務(wù)部一官員星期二(29日)表示，日惹市附近當(dāng)?shù)貢r(shí)間27日晨5時(shí)53分發(fā)生的

里氏<B>6.2級(jí)</B><B>地震</B>已經(jīng)造成至少5427人死亡，20000余人受傷，近20萬(wàn)人無(wú)家可歸

本文來(lái)自CSDN博客，轉(zhuǎn)載請(qǐng)標(biāo)明出處：http://blog.csdn.net/Java2King/archive/2010/01/08/5155878.aspx

本文來(lái)自CSDN博客，轉(zhuǎn)載請(qǐng)標(biāo)明出處：http://blog.csdn.net/xiaoping8411/archive/2010/03/30/5435134.aspx