使用IKanalyzer分词器分词并且统计词频

admin

       IKAnalyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始，IKAnalyzer已经推出了3个大版本。最初，它是以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。新版本的 IKAnalyzer3.0则发展为面向Java的公用分词组件，独立于Lucene项目，同时提供了对Lucene的默认优化实现。
% P2 l9 J( Z' f4 x: a+ _3 ]/ qIKAnalyzer3.0特性:
: R" z- b3 }0 I: s& h' A8 r5 ~8 }

• 采用了特有的“正向迭代最细粒度切分算法“，支持细粒度和最大词长两种切分模式；具有83万字/秒（1600KB/S）的高速处理能力。
• 采用了多子处理器分析模式，支持：英文字母、数字、中文词汇等分词处理，兼容韩文、日文字符
• 优化的词典存储，更小的内存占用。支持用户词典扩展定义
• 针对Lucene全文检索优化的查询分析器IKQueryParser(作者吐血推荐)；引入简单搜索表达式，采用歧义分析算法优化查询关键字的搜索排列组合，能极大的提高Lucene检索的命中率。
  

使用方法：
       引入 ikanalyzer相关jar包，将以下依赖加入工程的pom.xml中的<dependencies>...</dependencies>部分。

复制代码
<dependency>
    <groupId>org.wltea.ik-analyzer</groupId>
    <artifactId>ik-analyzer</artifactId>
    <version>3.2.8</version>
    </dependency>

复制代码
/**
 * @Description:
 * @Version: 1.0
 */
import org.wltea.analyzer.core.IKSegmenter;
import org.wltea.analyzer.core.Lexeme;

import java.io.IOException;
import java.io.StringReader;
import java.util.*;

public class Test {
    /**
     * 对语句进行分词
     * @param text 语句
     * @return 分词后的集合
     * @throws IOException
     */
    private static Map segment(String text) throws IOException {
        Map<String,Integer> map = new HashMap<String,Integer>();
        StringReader re = new StringReader(text);　　　
        IKSegmenter ik = new IKSegmenter(re, false);//true 使用smart分词，false使用最小颗粒分词
Lexeme lex; while ((lex = ik.next()) != null) { if(lex.getLexemeText().length()>1){ if(map.containsKey(lex.getLexemeText())){ map.put(lex.getLexemeText(),map.get(lex.getLexemeText())+1); }else{ map.put(lex.getLexemeText(),1); } } } return map; } public static void main(String[] args) throws IOException { Map<String,Integer> map = segment("中国，中国，我爱你"); System.out.println(map.toString()); } }

输出结果：
- a) l" i! e8 X" t9 U: T6 }       整理简单工具类，代码如下：

7 {6 g9 }7 T" b7 |  }1 N
& L  k5 O9 `  e& ?; Z5 ~IKanalyzer分词器源码下载>>
% g; i3 X( {& y. ]