Paoding Analyzer

je分詞用lucene.中文分詞庖丁解牛

一般使用
使用評估
參考資料
下載
開始使用
分詞策略

效果體驗
 在命令行模式下執行analyzer.bat(windows)或analyzer.sh(linux)即可0
u       顯示幫助
E:\Paoding-Analysis>analyzer.bat ?
u       分詞對話
多次輸入或粘貼不同的文字內容，查看分詞效果，如：
E:\Paoding-Analysis>analyzer.bat
paoding> |
 此時使用者可以在光標所在所在位置(|)輸入或粘貼待分詞的內容(以分號結束)，按下Enter鍵換行，analyzer.bat便可以輸出分詞結果。
paoding> 中文分詞;
1:      中文/分詞/
        分詞器net.paoding.analysis.analyzer.PaodingAnalyzer
        內容長度 4字符， 分 2個詞
        分詞耗時 0ms
--------------------------------------------------
分詞完畢後，又會進入以上對話模式。
鍵入:e或:q退出會話 (包括:符號) 。
鍵入:?顯示幫助(包括:符號) 。

u       對文件進行分詞
analyzer.bat允許對指定的文件進行分詞體驗。文件以路徑名給出可以使絕對地址、相對當前目錄的地址，或以classpath:爲前綴的類路徑地址。示例如下:
paoding> :-f E:/content.txt
paoding> :-f E:/content.txt -c gbk
paoding> :-f E:/content.txt -c gbk -m max

開始使用
 第一步：安裝詞典
將程序存儲在某個目錄下，這個目錄稱爲安裝目錄！
 將程序拷貝到安裝目錄稱爲安裝程序！
 增加、刪除、修改程序稱爲自定製程序！

 第二步：配置詞典系統環境變量
 庖丁中文分詞需要一套詞典，使用者安裝辭典後，應該設置系統環境變量PAODING_DIC_HOME指向詞典安裝目錄。
在windows下，通過“我的電腦”屬性之“高級”選項卡，然後在進入“環境變量”編輯區，新建環境變量，設置“變量名”爲PAODING_DIC_HOME；“變量值”爲E:/data/paoding/dic
工程中使用分詞，dic文件包copy到 web-info/classes 下面！

 第三步：將庖丁JAR類庫導入工程
 將paoding-analysis.jar添加到工程。
 至此，便可以在應用代碼中使用庖丁提供的中文分析器了。
 
 提醒：以下示例代碼中的IDNEX_PATH表示索引庫地址，讀者運行以下代碼前，應該賦與一個不重要的地址，比如/data/paoding/test_index 或E:/paoding_test_index，以免一時疏忽將重要數據丟失。

 

package net.paoding.analysis;

import net.paoding.analysis.analyzer.PaodingAnalyzer;

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.Searcher;
import org.apache.lucene.search.highlight.Formatter;
import org.apache.lucene.search.highlight.Highlighter;
import org.apache.lucene.search.highlight.QueryScorer;
import org.apache.lucene.search.highlight.TokenGroup;
import org.apache.lucene.search.highlight.TokenSources;

/**
 * 創建索引庫
 * @author Administrator
 *
 */
public class CreateIndexLibTest {
    public static void main(String[] args) throws Exception {

        /** 創建分詞 */
        // 詞典目錄
        String path = "D:\\Java\\paoding_analyzer\\dic";
        // 庖丁解牛中文分詞器
        Analyzer analyzer = new PaodingAnalyzer();
        // 索引書寫器
        IndexWriter writer = new IndexWriter(path, analyzer, true);
        // 文檔
        Document doc = new Document();
        // 字段
        Field field = new Field(
                "content",                                  // name
                "你好，世界!",                               // value
                Field.Store.YES,                            // store
                Field.Index.TOKENIZED,                      // index
                Field.TermVector.WITH_POSITIONS_OFFSETS);   // termVector
        doc.add(field);             // 文檔添加字段
        writer.addDocument(doc);    // 索引書寫器添加文檔
        writer.close();
        System.out.println("Indexed success!");

        /** 搜索關鍵詞 */
        // 索引讀取器
        IndexReader reader = IndexReader.open(path);
        // 查詢解析器
        QueryParser parser = new QueryParser("content", analyzer);
        Query query = parser.parse("你好");   // 解析
        // 搜索器
        Searcher searcher = new IndexSearcher(reader);
        // 命中
        Hits hits = searcher.search(query);
        if (hits.length() == 0) {
            System.out.println("hits.length=0");
        }

        /** 高亮顯示搜索的關鍵詞 */
        Document doc2 = hits.doc(0);
        //高亮處理
        String text = doc2.get("content");
        // 條件位置載體
        TermPositionVector tpv = (TermPositionVector) reader.getTermFreqVector(// 獲得條件次數載體
                        0, "content");
        // 記號流
        TokenStream ts = TokenSources.getTokenStream(tpv);
        // 格式化器
        Formatter formatter = new Formatter() {
            // 高亮條件
            public String highlightTerm(String srcText, TokenGroup g) {
                if (g.getTotalScore() <= 0) {
                    return srcText;
                }
                return "<b>" + srcText + "</b>";
            }
        };
        // 高亮器
        Highlighter highlighter = new Highlighter(
                formatter,
                new QueryScorer(query));    // 查詢記錄員
        // 獲得最好的片段
        String result = highlighter.getBestFragments(ts, text, 5, "…");
        System.out.println("result:\n\t" + result);
        reader.close();

    }
}

 

 

 

package net.paoding.analysis;

import java.io.StringReader;

import junit.framework.TestCase;
import net.paoding.analysis.analyzer.PaodingAnalyzer;

import org.apache.lucene.analysis.Token;
import org.apache.lucene.analysis.TokenStream;
/**
 * 解析器單元測試(JUnit)
 * @author Administrator
 *
 */
public class AnalyzerTest extends TestCase {

    protected PaodingAnalyzer analyzer = new PaodingAnalyzer();

    protected StringBuilder sb = new StringBuilder();

    /**
     * 解剖分詞
     * @param input
     * @return
     */
    protected String dissect(String input) {
        try {
            TokenStream ts = analyzer.tokenStream("", new StringReader(input));
            Token token;
            sb.setLength(0);
            while ((token = ts.next()) != null) {
                sb.append(token.termText()).append('/');
            }
            if (sb.length() > 0) {
                sb.setLength(sb.length() - 1);
            }
            System.out.println(sb.toString());
            return sb.toString();
        } catch (Exception e) {
            e.printStackTrace();
            return "error";
        }
    }

    /**
     * 斷言值: 預測的分詞
     * 結果值：詞典中的分詞
     * 解剖關鍵字 "a",返回"",表示在詞典分詞策略中字母(a)不是一個分詞
     * 斷言結果爲Green bar 表示，返回的結果與斷言中的結果相同。
     */
    public void test000() {
        String result = dissect("a");
        assertEquals("", result);       // (斷言值,結果值)
    }

    /**
     *
     */
    public void test001() {
        String result = dissect("空格 a 空格");
        assertEquals("空格/空格", result);
    }

    /**
     *
     */
    public void test002() {
        String result = dissect("A座");
        assertEquals("a座", result);
    }

    /**
     *
     */
    public void test003() {
        String result = dissect("u盤");
        assertEquals("u盤", result);
    }

    public void test004() {
        String result = dissect("剛買的u盤的容量");
        assertEquals("剛/買的/u盤/容量", result); // 中文分詞效果
    }

    public void test005() {
        String result = dissect("K歌之王很好聽");
        assertEquals("k歌之王/很好/好聽", result);
    }
    // --------------------------------------------------------------
    // 僅包含詞語的句子分詞策略
    // --------------------------------------------------------------

    /**
     * 句子全由詞典詞語組成，但詞語之間沒有包含、交叉關係
     */
    public void test100() {
        String result = dissect("臺北中文國際");
        assertEquals("臺北/中文/國際", result);
    }

    /**
     * 句子全由詞典詞語組成，但詞語之間有包含關係
     */
    public void test101() {
        String result = dissect("北京首都機場");
        assertEquals("北京/首都/機場", result);
    }

    /**
     * 句子全由詞典詞語組成，但詞語之間有交叉關係
     */
    public void test102() {
        String result = dissect("東西已經拍賣了");
        assertEquals("東西/已經/拍賣/賣了", result);
    }

    /**
     * 句子全由詞典詞語組成，但詞語之間有包含、交叉等複雜關係
     */
    public void test103() {
        String result = dissect("羽毛球拍");
        assertEquals("羽毛/羽毛球/球拍", result);
    }

    // --------------------------------------------------------------
    // noise(噪音)詞彙和單字的分詞策略
    // --------------------------------------------------------------

    /**
     * 詞語之間有一個noise字(的)
     */
    public void test200() {
        String result = dissect("足球的魅力");
        assertEquals("足球/魅力", result);
    }

    /**
     * 詞語之間有一個noise詞語(因之)
     */
    public void test201() {
        String result = dissect("主人因之生氣");
        assertEquals("主人/生氣", result);
    }

    /**
     * 詞語前後分別有單字和雙字的noise詞語(與,有關)
     */
    public void test202() {
        String result = dissect("與謀殺有關");
        assertEquals("謀殺", result);
    }

    /**
     * 前有noise詞語(哪怕)，後面跟隨了連續的noise單字(了,你)
     */
    public void test203() {
        String result = dissect("哪怕朋友背叛了你");
        assertEquals("朋友/背叛", result);
    }

    /**
     * 前後連續的noise詞彙(雖然,某些)，詞語中有noise單字(很)
     */
    public void test204() {
        String result = dissect("雖然某些動物很兇惡");
        assertEquals("動物/兇惡", result);
    }

    // --------------------------------------------------------------
    // 詞典沒有收錄的字符串的分詞策略
    // --------------------------------------------------------------


    /**
     * 僅1個字的非詞彙串(東,西,南,北)
     */
    public void test300() {
        String result = dissect("東&&西&&南&&北");
        assertEquals("東/西/南/北", result);
    }


    /**
     * 僅兩個字的非詞彙串(古哥,谷歌,收狗,搜狗)
     */
    public void test302() {
        String result = dissect("古哥&&谷歌&&收狗&&搜狗");
        assertEquals("古哥/谷歌/收狗/搜狗", result);
    }

    /**
     * 多個字的非詞彙串
     */
    public void test303() {
        String result = dissect("這是鳥語：玉魚遇欲雨");
        assertEquals("這是/鳥語/玉魚/魚遇/遇欲/欲雨", result);
    }

    /**
     * 兩個詞語之間有一個非詞彙的字(真)
     */
    public void test304() {
        String result = dissect("朋友真背叛了你了!");
        assertEquals("朋友/真/背叛", result);
    }

    /**
     * 兩個詞語之間有一個非詞彙的字符串(盒蟹)
     */
    public void test305() {
        String result = dissect("建設盒蟹社會");
        assertEquals("建設/盒蟹/社會", result);
    }

    /**
     * 兩個詞語之間有多個非詞彙的字符串(盒少蟹)
     */
    public void test306() {
        String result = dissect("建設盒少蟹社會");
        assertEquals("建設/盒少/少蟹/社會", result);
    }

    // --------------------------------------------------------------
    // 不包含小數點的漢字數字
    // --------------------------------------------------------------


    /**
     * 單個漢字數字
     */
    public void test400() {
        String result = dissect("二");
        assertEquals("2", result);
    }

    /**
     * 兩個漢字數字
     */
    public void test61() {
        String result = dissect("五六");
        assertEquals("56", result);
    }

    /**
     * 多個漢字數字
     */
    public void test62() {
        String result = dissect("三四五六");
        assertEquals("3456", result);
    }

    /**
     * 十三
     */
    public void test63() {
        String result = dissect("十三");
        assertEquals("13", result);
    }

    /**
     * 二千
     */
    public void test65() {
        String result = dissect("二千");
        assertEquals("2000", result);
    }

    /**
     * 兩千
     */
    public void test651() {
        String result = dissect("兩千");
        assertEquals("2000", result);
    }
    /**
     * 兩千
     */
    public void test6511() {
        String result = dissect("兩千個");
        assertEquals("2000/個", result);
    }

    /**
     * 2千
     */
    public void test652() {
        String result = dissect("2千");
        assertEquals("2000", result);
    }

    /**
     *
     */
    public void test653() {
        String result = dissect("3千萬");
        assertEquals("30000000", result);
    }

    /**
     *
     */
    public void test654() {
        String result = dissect("3千萬個案例");
        assertEquals("30000000/個/案例", result);
    }


    /**
     *
     */
    public void test64() {
        String result = dissect("千萬");
        assertEquals("千萬", result);
    }

    public void test66() {
        String result = dissect("兩兩");
        assertEquals("兩兩", result);
    }

    public void test67() {
        String result = dissect("二二");
        assertEquals("22", result);
    }

    public void test68() {
        String result = dissect("2.2兩");
        assertEquals("2.2/兩", result);
    }

    public void test69() {
        String result = dissect("二兩");
        assertEquals("2/兩", result);
    }


    public void test690() {
        String result = dissect("2兩");
        assertEquals("2/兩", result);
    }

    public void test691() {
        String result = dissect("2千克");
        assertEquals("2000/克", result);
    }

    public void test692() {
        String result = dissect("2公斤");
        assertEquals("2/公斤", result);
    }

    public void test693() {
        String result = dissect("2世紀");
        assertEquals("2/世紀", result);
    }

    public void test7() {
        String result = dissect("哪怕二");
        assertEquals("2", result);
    }

}