海量的中文分词组件使用

海量的中文分词组件(HLSSplit.dll),是用C++写的.在java下调用,就要用JNI技术.

前段时间做了一个.希望和大家分享一下.关于JNI技术,网上有很多的介绍,还不太了解的朋友,可以去网上看看,很简单,看看就明白.

首先在写一个类,这个是在JAVA下的调用类.

public class fc ......{

 

  public fc()......{

      HLSplitInit();

  }

 

  public synchronized native byte[] seg(byte[] text);//分词

 

  public synchronized native void HLSplitInit();//初始化 

 

  public synchronized native void HLOpenUsrDict(byte[] fileName);//装载用户自定义词典

 

 

  public static void main(String[] args) ......{

      fc a=new fc();

     

      char c=0;

      String str="供应止回阀"+c;

           

      //String str = "潘岳与邱晓华指出，这次核算得出的结果虽不完整，但也足以对现实全貌有所估计。这些数字再次证明了，环境危机正在越来越严重地制约经济发展";

   

      String s=new String(a.seg(str.getBytes()));

     

      System.out.print(s);

  }

  static......{

      

    System.setProperty("java.library.path",System.getProperty("java.class.path"));

    System.loadLibrary("fc");

   

  }

}

其中的Main()函数里面的内容,是显示调用的方面,在实际的JNI中没有作用.

char c=0;

String str="供应止回阀"+c; 这样写的原因是C中字符串是有/0结束的.

执行JAVA fc.java ,然后执行JAVAH fc,产生fc.h头文件.

下面创建用VC6.0创建一个空DLL工程,

然后向工程中添加fc.h,jni.h,HLSegFunc.h,HLPubDef.h,HLSSplit.lib

添加一个.cpp文件,写入下面的代码

#include <windows.h>

#include "jni.h"

#include "fc.h"

#include<stdio.h>

#include "HLSegFunc.h"

#include <string.h>

JNIEXPORT void JNICALL Java_fc_HLSplitInit(JNIEnv *, jobject)

{                      

    HLSplitInit();

}

JNIEXPORT void JNICALL Java_fc_HLOpenUsrDict (JNIEnv *env, jobject b, jbyteArray c)

{

    jbyte * arrayBody = (env)->GetByteArrayElements(c,0);

    char * ptr = (char *)arrayBody;

    HLOpenUsrDict(ptr);

  

}

JNIEXPORT jbyteArray JNICALL Java_fc_seg (JNIEnv *env, jobject b, jbyteArray c)

{

        

    jbyte * arrayBody = (env)->GetByteArrayElements(c,0);

    char * ptr = (char *)arrayBody;

  

    HANDLE h=HLOpenSplit();

    HLSplitWord(h ,ptr,HL_CAL_OPT_SEARCH);

    int j=HLGetWordCnt(h);

    jbyteArray d=(env)->NewByteArray(strlen(ptr)+j);

    int k=0;

    char *sep=" ";

    for(int i=0;i<j;i++)

    {

        SHLSegWord* pWord=HLGetWordAt(h , i);

        env->SetByteArrayRegion(d,k,strlen(pWord->s_szWord),(jbyte *)pWord->s_szWord);

        k+=strlen(pWord->s_szWord);

        env->SetByteArrayRegion(d,k,1,(jbyte *)sep);

        k+=1;

    }

    HLCloseSplit(h);

    return d;

}

然后,编译就可以了.

把fc.class,fc.dll,HLSSplit.dll,HLSplitWord.dat,方面一个文件夹中,执行可以看到结果了.

我写这个,是要在Nutch,实现中文分词,不过,我试了试,感觉有这样的问题:因为它是基于上面文的分词,所以,不同的时候分词的结果不同,这样就给我们在搜索的时候造成了问题,比如"美白是永远的热门话题",这句话的分词结果是: 美/白/是/永远/的/热门/话题,而如果输入"美白"两个字,它就不分词了,这样就导致我们找不到上面的这句话了.产生这样的原因,我认为是词典里面没有"美白"这个词.所以当你把它用到搜索引擎的分词是,要注意这点.

网上有很多研究Nutch中加入中文分词技术文章,我觉得多少有些问题.过些天,我把我实现的过程,给大家分享一下,看看有没有什么问题.