lucene之 MMAnalyzer 中文分词组件

支持英文、数字、中文（简体）混合分词

常用的数量和人名的匹配

超过22万词的词库整理

实现正向最大匹配算法

//采用正向最大匹配的中文分词算法，相当于分词粒度等于0

MMAnalyzer analyzer = new MMAnalyzer();

//参数为分词粒度：当字数等于或超过该参数，且能成词，该词就被切分出来

MMAnalyzer analyzer = new MMAnalyzer(2);

//增加一个新词典，采用每行一个词的读取方式

MMAnalyzer.addDictionary(reader);

//增加一个新词

MMAnalyzer.addWord(newWord);

//删除词库中的全部词语（注意：非常危险的操作，在没有加载新的词库前所有的分词都将失效）

MMAnalyzer.clear();

//词库中是否包含该词

MMAnalyzer.contains(String word);

//从词库中移除该词

MMAnalyzer.removeWord(String word);

//当前词库中包含的词语总数

MMAnalyzer.size();

package demo.analysis; 

import java.io.IOException; 

import jeasy.analysis.MMAnalyzer; 

public class Segment 
{ 

public static void main(String[] args) 
{ 
String text = "据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，" 
+ "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，" 
+ "20000余人受伤，近20万人无家可归。"; 

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

生成效果：

据 | 路透社 | 报道 | 印度尼西亚 | 社会 | 事务 | 部 | 官员 | 星期二 | 29日 | 表示 | 日惹 | 市 | 附近 | 当地时间 | 27日

| 晨 | 5时 | 53分 | 发生 | 里氏 | 6.2级 | 地震 | 已经 | 造成 | 至少 | 5427人 | 死亡 | 20000 | 余人 | 受伤 | 近 | 20万人 | 无家可归 |

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 = "据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，" 
+ "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，" 
+ "20000余人受伤，近20万人无家可归。"; //检索内容 

//采用正向最大匹配的中文分词算法 
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("印度尼西亚 6.2级地震");//检索词 
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("内容：" + hitDoc.get(fieldName)); 
} 

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

}

生成效果：

命中：1

内容：据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生

的里氏6.2级地震已经造成至少5427人死亡，20000余人受伤，近20万人无家可归。

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 = "据路透社报道，印度尼西亚社会事务部一官员星期二(29日)表示，" 
+ "日惹市附近当地时间27日晨5时53分发生的里氏6.2级地震已经造成至少5427人死亡，" 
+ "20000余人受伤，近20万人无家可归。"; //检索内容 

//采用正向最大匹配的中文分词算法 
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("印度尼西亚 6.2级地震");//检索词 
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("内容：" + result); 
} 

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

}

生成效果：

命中：1

内容：据路透社报道，<B>印度尼西亚</B>社会事务部一官员星期二(29日)表示，日惹市附近当地时间27日晨5时53分发生的

里氏<B>6.2级</B><B>地震</B>已经造成至少5427人死亡，20000余人受伤，近20万人无家可归