Lucene5学习之使用MMSeg4j分词器

     MMSeg4j是一款中文分词器，详细介绍如下：

       1、mmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法(http://technology.chtsai.org/mmseg/ )实现的中文分词器，并实现 lucene 的 analyzer 和 solr 的TokenizerFactory 以方便在Lucene和Solr中使用。

       2、MMSeg 算法有两种分词方法：Simple和Complex，都是基于正向最大匹配。Complex 加了四个规则过虑。官方说：词语的正确识别率达到了 98.41%。mmseg4j 已经实现了这两种分词算法。

1.5版的分词速度simple算法是 1100kb/s左右、complex算法是 700kb/s左右，（测试机：AMD athlon 64 2800+ 1G内存 xp）。

1.6版在complex基础上实现了最多分词(max-word)。“很好听” -> "很好|好听"; “中华人民共和国” -> "中华|华人|共和|国"; “中国人民银行” -> "中国|人民|银行"。

1.7-beta 版, 目前 complex 1200kb/s左右, simple 1900kb/s左右, 但内存开销了50M左右. 上几个版都是在10M左右

       可惜的是，MMSeg4j最新版1.9.1不支持Lucene5.0,于是我就修改了它的源码将它升级咯，使其支持Lucene5.x,至于我是怎样修改，这里就不一一说明的，我把我修改过的MMSeg4j最新源码上传到了我的百度网盘，现分享给你们咯：

       mmseg4j-1.9.1源码

       mmseg4j-1.9.2源码(支持Lucene5.x)

       下面是一个MMSeg4j分词器简单使用示例：

Java代码  

1. package com.chenlb.mmseg4j.analysis;  
2.   
3. import java.io.IOException;  
4.   
5. import org.apache.lucene.analysis.Analyzer;  
6. import org.apache.lucene.analysis.TokenStream;  
7. import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;  
8. import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;  
9. import org.apache.lucene.analysis.tokenattributes.PositionIncrementAttribute;  
10. import org.apache.lucene.analysis.tokenattributes.TypeAttribute;  
11. import org.junit.Assert;  
12. import org.junit.Before;  
13. import org.junit.Ignore;  
14. import org.junit.Test;  
15. /** 
16.  * MMSegAnalyzer分词器测试 
17.  * @author Lanxiaowei 
18.  * 
19.  */  
20. public class MMSegAnalyzerTest {  
21.   
22.     String txt = "";  
23.   
24.     @Before  
25.     public void before() throws Exception {  
26.         txt = "京华时报２００９年1月23日报道 昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的偏北风。";  
27.         txt = "２００９年ゥスぁま是中 ＡＢｃｃ国абвгαβγδ首次,我的ⅠⅡⅢ在chenёlbēū全国ㄦ范围ㄚㄞㄢ内①ē②㈠㈩⒈⒑发行地方政府债券，";  
28.         txt = "大S小3U盘浙BU盘T恤T台A股牛B";  
29.     }  
30.   
31.     @Test  
32.     //@Ignore  
33.     public void testSimple() throws IOException {  
34.         Analyzer analyzer = new SimpleAnalyzer();  
35.         displayTokens(analyzer,txt);  
36.     }  
37.   
38.     @Test  
39.     @Ignore  
40.     public void testComplex() throws IOException {  
41.         //txt = "1999年12345日报道了一条新闻,2000年中法国足球比赛";  
42.         /*txt = "第一卷 云天落日圆 第一节 偷欢不成倒大霉"; 
43.         txt = "中国人民银行"; 
44.         txt = "我们"; 
45.         txt = "工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作";*/  
46.         //ComplexSeg.setShowChunk(true);  
47.         Analyzer analyzer = new ComplexAnalyzer();  
48.         displayTokens(analyzer,txt);  
49.     }  
50.   
51.     @Test  
52.     @Ignore  
53.     public void testMaxWord() throws IOException {  
54.         //txt = "1999年12345日报道了一条新闻,2000年中法国足球比赛";  
55.         //txt = "第一卷 云天落日圆 第一节 偷欢不成倒大霉";  
56.         //txt = "中国人民银行";  
57.         //txt = "下一个 为什么";  
58.         //txt = "我们家门前的大水沟很难过";  
59.         //ComplexSeg.setShowChunk(true);  
60.         Analyzer analyzer = new MaxWordAnalyzer();  
61.         displayTokens(analyzer,txt);  
62.     }  
63.   
64.     /*@Test 
65.     public void testCutLeeterDigitFilter() { 
66.         String myTxt = "mb991ch cq40-519tx mmseg4j "; 
67.         List<String> words = toWords(myTxt, new MMSegAnalyzer("") { 
68.  
69.             @Override 
70.             protected TokenStreamComponents createComponents(String text) { 
71.                 Reader reader = new BufferedReader(new StringReader(text)); 
72.                 Tokenizer t = new MMSegTokenizer(newSeg(), reader); 
73.                 return new TokenStreamComponents(t, new CutLetterDigitFilter(t)); 
74.             } 
75.  
76.              
77.         }); 
78.  
79.         //Assert.assertArrayEquals("CutLeeterDigitFilter fail", words.toArray(new String[words.size()]), "mb 991 ch cq 40 519 tx mmseg 4 j".split(" ")); 
80.         for(String word : words) { 
81.             System.out.println(word); 
82.         } 
83.     }*/  
84.       
85.     public static void displayTokens(Analyzer analyzer,String text) throws IOException {  
86.         TokenStream tokenStream = analyzer.tokenStream("text", text);  
87.         displayTokens(tokenStream);  
88.     }  
89.       
90.     public static void displayTokens(TokenStream tokenStream) throws IOException {  
91.         OffsetAttribute offsetAttribute = tokenStream.addAttribute(OffsetAttribute.class);  
92.         PositionIncrementAttribute positionIncrementAttribute = tokenStream.addAttribute(PositionIncrementAttribute.class);  
93.         CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);  
94.         TypeAttribute typeAttribute = tokenStream.addAttribute(TypeAttribute.class);  
95.           
96.         tokenStream.reset();  
97.         int position = 0;  
98.         while (tokenStream.incrementToken()) {  
99.             int increment = positionIncrementAttribute.getPositionIncrement();  
100.             if(increment > 0) {  
101.                 position = position + increment;  
102.                 System.out.print(position + ":");  
103.             }  
104.             int startOffset = offsetAttribute.startOffset();  
105.             int endOffset = offsetAttribute.endOffset();  
106.             String term = charTermAttribute.toString();  
107.             System.out.println("[" + term + "]" + ":(" + startOffset + "-->" + endOffset + "):" + typeAttribute.type());  
108.         }  
109.     }  
110.       
111.     /** 
112.      * 断言分词结果 
113.      * @param analyzer 
114.      * @param text        源字符串 
115.      * @param expecteds   期望分词后结果 
116.      * @throws IOException  
117.      */  
118.     public static void assertAnalyzerTo(Analyzer analyzer,String text,String[] expecteds) throws IOException {  
119.         TokenStream tokenStream = analyzer.tokenStream("text", text);  
120.         CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);  
121.         for(String expected : expecteds) {  
122.             Assert.assertTrue(tokenStream.incrementToken());  
123.             Assert.assertEquals(expected, charTermAttribute.toString());  
124.         }  
125.         Assert.assertFalse(tokenStream.incrementToken());  
126.         tokenStream.close();  
127.     }  
128. }  

    mmseg4j分词器有3个字典文件，如图：

       chars.dic是汉字字典文件，里面有12638个汉字

       units.dic里是中文单位词语，如小时，分钟，米，厘米等等，具体自己打开看看就明白了

       words.dic就是用户自定义字典文件，比如：么么哒，T恤，牛B等这些词，放在这个字典文件里，分词器就能把它当作一个词

      我们在使用mmseg4j分词器时，是这样用的：

Java代码  

1. Analyzer analyzer = new SimpleAnalyzer();  

      查看SimpleAnalyzer的构造函数，

Java代码  

1. public SimpleAnalyzer() {  
2.     super();  
3. }  

   调用的是父类MMSegAnalyzer的无参构造函数，接着查看MMSegAnalyzer类的无参构造函数：

Java代码  

1. public MMSegAnalyzer() {  
2.     dic = Dictionary.getInstance();  
3. }  

    你会发现是通过Dictionary.getInstance()单实例模式去加载字典文件的，接着查看getInstance方法，

 这里的代码注释写的很清楚，告诉了我们字典文件的加载逻辑。

File path = getDefalutPath();用来获取默认的字典文件路径，

然后根据字典文件路径调用getInstance(path)方法去加载字典文件，接着查看该方法，

 先从缓存dics里去字典文件，如果缓存里没有找到，则才会根据字典文件路径去加载，然后把加载到的字典文件放入缓存dics即dics.put()，

      接着看看Dictionary字典是如何初始化的，查看Dictionary的构造函数源码：

      你会发现内部实际是通过调用init(path);方法进行字典初始化的，继续查阅init方法，

      内部又是调用的reload方法加载的字典，继续跟踪至reload方法，

      内部通过loadDic去加载words和chars两个字典文件，通过loadUnit方法去加载units字典文件，wordsLastTime是用来存放每个字典文件的最后一次修改时间，引入这个map的目的是为了实现字典文件重新加载，通过字典文件的最后一次修改时间来判定文件是否修改过，如果这个map里不存在某字典文件的最后一次修改时间，则表明该字典文件是新加入的，需要重新加载至内存，这是loadDic方法的源码：

Java代码  

1. private Map<Character, CharNode> loadDic(File wordsPath) throws IOException {  
2.         InputStream charsIn = null;  
3.         File charsFile = new File(wordsPath, "chars.dic");  
4.         if(charsFile.exists()) {  
5.             charsIn = new FileInputStream(charsFile);  
6.             addLastTime(charsFile); //chars.dic 也检测是否变更  
7.         } else {    //从 jar 里加载  
8.             charsIn = this.getClass().getResourceAsStream("/data/chars.dic");  
9.             charsFile = new File(this.getClass().getResource("/data/chars.dic").getFile()); //only for log  
10.         }  
11.         final Map<Character, CharNode> dic = new HashMap<Character, CharNode>();  
12.         int lineNum = 0;  
13.         long s = now();  
14.         long ss = s;  
15.         lineNum = load(charsIn, new FileLoading() { //单个字的  
16.   
17.             public void row(String line, int n) {  
18.                 if(line.length() < 1) {  
19.                     return;  
20.                 }  
21.                 String[] w = line.split(" ");  
22.                 CharNode cn = new CharNode();  
23.                 switch(w.length) {  
24.                 case 2:  
25.                     try {  
26.                         cn.setFreq((int)(Math.log(Integer.parseInt(w[1]))*100));//字频计算出自由度  
27.                     } catch(NumberFormatException e) {  
28.                         //eat...  
29.                     }  
30.                 case 1:  
31.   
32.                     dic.put(w[0].charAt(0), cn);  
33.                 }  
34.             }  
35.         });  
36.         log.info("chars loaded time="+(now()-s)+"ms, line="+lineNum+", on file="+charsFile);  
37.   
38.         //try load words.dic in jar  
39.         InputStream wordsDicIn = this.getClass().getResourceAsStream("/data/words.dic");  
40.         if(wordsDicIn != null) {  
41.             File wordsDic = new File(this.getClass().getResource("/data/words.dic").getFile());  
42.             loadWord(wordsDicIn, dic, wordsDic);  
43.         }  
44.   
45.         File[] words = listWordsFiles();    //只要 wordsXXX.dic的文件  
46.         if(words != null) { //扩展词库目录  
47.             for(File wordsFile : words) {  
48.                 loadWord(new FileInputStream(wordsFile), dic, wordsFile);  
49.   
50.                 addLastTime(wordsFile); //用于检测是否修改  
51.             }  
52.         }  
53.   
54.         log.info("load all dic use time="+(now()-ss)+"ms");  
55.         return dic;  
56.     }  

    大致逻辑就是先加载chars.dic再加载words.dic,最后加载用户自定义字典文件，注意用户自定义字典文件命名需要以words开头且文件名后缀必须为.dic，查找所有用户自定义字典文件是这句代码：

Java代码  

1. File[] words = listWordsFiles();  

    

    注意：dicPath.listFiles表示查找dicPath目录下所有文件，dicPath即我们的words.dic字典文件的所在路径，而重载的accept的意思我想大家都懂的，关键点我用红色方框标注出来了，这句代码意思就是查找words.dic字典文件所在文件夹下的以words开头的dic字典文件，包含子文件夹里的字典文件(即递归查找，你懂的)。看到这里，我想至于如何自定义用户自定义字典文件，大家都不言自明了。为了照顾小白，我还是说清楚点吧，自定义用户字典文件方法步骤如下：

     如果你想把屌丝，高富帅 当作一个词，那你首先需要新建一个.dic文件，注意dic文件必须是无BOM的UTF-8编码的文件(切记！！！！！！)，且自定义字典文件命名需要符合上面说过的那种固定格式，不知道的请看上面那张图，看仔细点，然后一行一个词，你懂的，然后把你自定义的字典文件复制到classPath下的data文件夹下，如果你是简单的Java project,那么就在src下新建一个data包，然后 把你自定义字典文件copy到data包下，如果你是Maven Project,那就在src/main/sources包下新建一个package  名字叫data,同理把你自定义字典文件复制到data包下即可。这样你的自定义词就能被分词器正确切分啦！

       mmseg4j就说这么多了吧，mmseg4j我修改过的最新源码上面有贴出百度网盘下载地址，自己去下载，jar包在target目录下，如图：



 

     从我提供的下载地址下载的最新源码包里有打包好的jar包，如图去找就行了，当然为了方便你们，我待会儿也会在底下的附件里将打包的jar包上传上去。

     OK，打完收工！！！！如果你还有什么问题，请QQ上联系我(QQ:7-3-6-0-3-1-3-0-5),或者加我的Java技术群跟我们一起交流学习，我会非常的欢迎的。群号：

转载：http://iamyida.iteye.com/blog/2207633