中文分词插件很多，当然都有各自的优缺点，近日刚接触自然语言处理这方面的，初步体验中文分词。
首先感谢harry.guo楼主提供的学习资源，博文链接http://www.cnblogs.com/harryguo/archive/2007/09/26/906965.html，在此基础上进行深入学习和探讨。
接下来进入正文。。。大牛路过别喷，菜鸟有空练练手~~完整的项目源码下载在文章末尾~~
因为是在Lucene.Net下进行中文分词解析器编写的，新建项目Lucene.China，然后将Lucene.Net.dll添加到项目中。（附：资源Lucene.Net.rar）
与英文不同，中文词之间没有空格，于是对于中文分词就比英文复杂了些。
第一，构建树形词库，在所建项目目录下的bin/Debug文件下新建一个文件夹data（如果文件夹已经存在，则不用新建），然后在data文件夹中加入sDict.txt。
（附：资源sDict.rar，解压后得到是sDict.txt文档,放入指定文件夹中）
构建树形词库实现代码如下：
using System;
using System.Collections.Generic;
using System.Text;
using System.Collections;
using System.Text.RegularExpressions;
using System.IO; namespace Lucene.China
{
/// <summary>
/// 词库类，生成树形词库
/// </summary>
public class WordTree
{
/// <summary>
/// 字典文件的路径
/// </summary>
//private static string DictPath = Application.StartupPath + "\\data\\sDict.txt";
private static string DictPath = Environment.CurrentDirectory + "\\data\\sDict.txt";
/// <summary>
/// 缓存字典的对象
/// </summary>
public static Hashtable chartable = new Hashtable(); /// <summary>
/// 字典文件读取的状态
/// </summary>
private static bool DictLoaded = false;
/// <summary>
/// 读取字典文件所用的时间
/// </summary>
public static double DictLoad_Span = ; /// <summary>
/// 正则表达式
/// </summary>
public string strChinese = "[\u4e00-\u9fa5]";
public string strNumber = "[0-9]";
public string strEnglish = "[a-zA-Z]"; /// <summary>
/// 获取字符类型
/// </summary>
/// <param name="Char"></param>
/// <returns>
/// 0: 中文,1:英文,2:数字
///</returns>
public int GetCharType(string Char)
{
if (new Regex(strChinese).IsMatch(Char))
return ;
if (new Regex(strEnglish).IsMatch(Char))
return ;
if (new Regex(strNumber).IsMatch(Char))
return ;
return -;
} /// <summary>
/// 读取字典文件
/// </summary>
public void LoadDict()
{
if (DictLoaded) return;
BuidDictTree();
DictLoaded = true;
return;
} /// <summary>
/// 建立树
/// </summary>
private void BuidDictTree()
{
long dt_s = DateTime.Now.Ticks;
string char_s;
StreamReader reader = new StreamReader(DictPath, System.Text.Encoding.UTF8);
string word = reader.ReadLine();
while (word != null && word.Trim() != "")
{
Hashtable t_chartable = chartable;
for (int i = ; i < word.Length; i++)
{
char_s = word.Substring(i, );
if (!t_chartable.Contains(char_s))
{
t_chartable.Add(char_s, new Hashtable());
}
t_chartable = (Hashtable)t_chartable[char_s];
}
word = reader.ReadLine();
}
reader.Close();
DictLoad_Span = (double)(DateTime.Now.Ticks - dt_s) / ( * );
System.Console.Out.WriteLine("读取字典文件所用的时间: " + DictLoad_Span + "s");
} }
}
WordTree.cs
第二，构建一个支持中文的分析器，
需要停用词表 ：String[] CHINESE_ENGLISH_STOP_WORDS，下面代码只是构造了个简单的停用词表。 （附资源：相对完整的停用词表stopwords.rar）
具体实现代码如下：
using System;
using System.Collections.Generic;
using System.Text; using Lucene.Net.Analysis;
using Lucene.Net.Analysis.Standard; namespace Lucene.China
{
/**//// <summary>
///
/// </summary>
public class ChineseAnalyzer:Analyzer
{
//private System.Collections.Hashtable stopSet;
public static readonly System.String[] CHINESE_ENGLISH_STOP_WORDS = new System.String[] { "a", "an", "and", "are", "as", "at", "be", "but", "by", "for", "if", "in", "into", "is", "it", "no", "not", "of", "on", "or", "s", "such", "t", "that", "the", "their", "then", "there", "these", "they", "this", "to", "was", "will", "with", "我", "我们" }; /**//// <summary>Constructs a {@link StandardTokenizer} filtered by a {@link
/// StandardFilter}, a {@link LowerCaseFilter} and a {@link StopFilter}.
/// </summary>
public override TokenStream TokenStream(System.String fieldName, System.IO.TextReader reader)
{
TokenStream result = new ChineseTokenizer(reader);
result = new StandardFilter(result);
result = new LowerCaseFilter(result);
result = new StopFilter(result, CHINESE_ENGLISH_STOP_WORDS);
return result;
} }
}
ChineseAnalyzer.cs
第三，进行文本切分，文本切分的基本方法：输入字符串，然后返回一个词序列，然后把词封装成Token对象。
当然，要判断将要进行切分的词是中文、英文、数字还是其他。
实现源码如下：
using System;
using System.Collections.Generic;
using System.Text;
using Lucene.Net.Analysis;
using System.Collections;
using System.Text.RegularExpressions;
using System.IO; namespace Lucene.China
{
class ChineseTokenizer : Tokenizer
{ private int offset = , bufferIndex = , dataLen = ;//偏移量，当前字符的位置，字符长度 private int start;//开始位置
/// <summary>
/// 存在字符内容
/// </summary>
private string text; /// <summary>
/// 切词所花费的时间
/// </summary>
public double TextSeg_Span = ; /// <summary>Constructs a tokenizer for this Reader. </summary>
public ChineseTokenizer(System.IO.TextReader reader)
{
this.input = reader;
text = input.ReadToEnd();
dataLen = text.Length;
} /// <summary>进行切词，返回数据流中下一个token或者数据流为空时返回null
/// </summary>
///
public override Token Next()
{
Token token = null;
WordTree tree = new WordTree();
//读取词库
tree.LoadDict();
//初始化词库，为树形
Hashtable t_chartable = WordTree.chartable;
string ReWord = "";
string char_s;
start = offset;
bufferIndex = start; while (true)
{
//开始位置超过字符长度退出循环
if (start >= dataLen)
{
break;
}
//获取一个词
char_s = text.Substring(start, );
if (string.IsNullOrEmpty(char_s.Trim()))
{
start++;
continue;
}
//字符不在字典中
if (!t_chartable.Contains(char_s))
{
if (ReWord == "")
{
int j = start + ;
switch (tree.GetCharType(char_s))
{
case ://中文单词
ReWord += char_s;
break;
case ://英文单词
j = start + ;
while (j < dataLen)
{
if (tree.GetCharType(text.Substring(j, )) != )
break; j++;
}
ReWord += text.Substring(start, j - offset); break;
case ://数字
j = start + ;
while (j < dataLen)
{
if (tree.GetCharType(text.Substring(j, )) != )
break; j++;
}
ReWord += text.Substring(start, j - offset); break; default:
ReWord += char_s;//其他字符单词
break;
} offset = j;//设置取下一个词的开始位置
}
else
{
offset = start;//设置取下一个词的开始位置
} //返回token对象
return new Token(ReWord, bufferIndex, bufferIndex + ReWord.Length - );
}
//字符在字典中
ReWord += char_s;
//取得属于当前字符的词典树
t_chartable = (Hashtable)t_chartable[char_s];
//设置下一循环取下一个词的开始位置
start++;
if (start == dataLen)
{
offset = dataLen;
return new Token(ReWord, bufferIndex, bufferIndex + ReWord.Length - );
}
}
return token;
} }
}
ChineseTokenizer.cs
第四，编写测试demo的main函数，代码如下：
using System;
using System.Collections.Generic;
using System.Text;
using System.Windows.Forms;
using Analyzer = Lucene.Net.Analysis.Analyzer;
using SimpleAnalyzer = Lucene.Net.Analysis.SimpleAnalyzer;
using StandardAnalyzer = Lucene.Net.Analysis.Standard.StandardAnalyzer;
using Token = Lucene.Net.Analysis.Token;
using TokenStream = Lucene.Net.Analysis.TokenStream; namespace Lucene.China
{
class Program
{
[STAThread]
public static void Main(System.String[] args)
{
try
{
// Test("中华人民共和国在1949年建立，从此开始了新中国的伟大篇章。长春市长春节致词", true);
Test("hello world, a better day, never give up.", true);
/*Test("一直在酝酿 new 一直在盼望 爸爸和妈妈唯一的理想 二月第一天 一九八一年 "
+ "我第一次对他们眨了眨眼 等待快点过去多少个明天"
+ "希望这个宝贝快快长大一点一点 身体要健康所有的事情都如所愿 Baby长大以后就是小轩"
+ "I will find my way I want a different way "
+ "I'll change the wind and rain There be a brand new day"
+ "小时候受伤有人心痛失落有人安慰 现在遇到困难自己就要学会面对", true); */
}
catch (System.Exception e)
{
System.Console.Out.WriteLine(" caught a " + e.GetType() + "\n with message: " + e.Message + e.ToString());
}
Application.EnableVisualStyles();
Application.SetCompatibleTextRenderingDefault(false);
Application.Run(new Form1());
} internal static void Test(System.String text, bool verbose)
{
System.Console.Out.WriteLine(" Tokenizing string: " + text);
Test(new System.IO.StringReader(text), verbose, text.Length);
} internal static void Test(System.IO.TextReader reader, bool verbose, long bytes)
{
//Analyzer analyzer = new StandardAnalyzer();
Analyzer analyzer = new Lucene.China.ChineseAnalyzer();
TokenStream stream = analyzer.TokenStream(null, reader); System.DateTime start = System.DateTime.Now; int count = ;
for (Token t = stream.Next(); t != null; t = stream.Next())
{
if (verbose)
{
System.Console.Out.WriteLine("Token=" + t.ToString());
}
count++;
} System.DateTime end = System.DateTime.Now; long time = end.Ticks - start.Ticks;
System.Console.Out.WriteLine(time + " milliseconds to extract " + count + " tokens");
System.Console.Out.WriteLine((time * 1000.0) / count + " microseconds/token");
System.Console.Out.WriteLine((bytes * 1000.0 * 60.0 * 60.0) / (time * 1000000.0) + " megabytes/hour");
}
}
}
Program.cs
控制器输出显示：
可见被测试的文本为红色框里面所示。
测试结果：
问题出现了，never被拆分成n，ever。于是测试多几次，发现只要是n开头的单词，n都会被拆开，如nnno，会变成n,n,n,o。
那么为什么会这样呢？
回想一下，之前我们构建了字典树。其实一般情况下我们会觉得说中文分析器所需要构建的字典树，当然就是纯文字，但是其实不是这样的。
打开sDict.txt文件，会发现下面这些词语：
发现问题了吧！！！其实是包含字母的，所以英文单词的n总会被单独切分出来。
那么应该怎么解决呢？？
解决方法，就是在sDict.txt文件中加入以n开头的单词表，这样就可以完美切分啦！！
测试一下吧！在文件中加入单词never，如下：
测试结果：
可见单词never已经完美切除。
接下来再来看另外一个在测试过程出现的问题，
测试文本如下：‘开’和‘始’中间有空格，且这段文本最后没有标点和空格。
测试结果如下：
依然完美切分，而且没有报错提示。
然后继续测试英文文本，如下：依然留空格，然后文本末尾没有空格跟标点。
测试结果：出现异常
问题产生的原因是，英文是一个或多个单词相连的，如never，在判断第一个字母是属于英文的时候，会自动继续判断下一个，
当刚好这个单词是最后一个的时候，它依然会去查找下一个是否还是属于英文单词，这样文本要是以英文结束，且后面没有空格跟标点的话，
它就会出现超出索引的错误。
出现问题的代码是下面这句：在ChineseTokenizer.cs中
注：由于数字的切分和英文的切分采用的方法相同，所以也会出现同样问题
解决方法：就是在测试的文档的最后加上一个空格。因为空格不会影响到切分，所以只要把要切分的文本都进行事先处理，在文本末尾加多个空格给它，这样就不会出现上面异常。
懒人大礼包^_^
如果你不想进行上面那些多步骤，也是可以的。
第一，还是要把sDict.txt文件放到项目目录/bin/Debug/data文件夾中；
第二，下载Lucene.Fanswo.rar和Lucene.Net.rar，然后将Lucene.Fanswo.dll和Lucene.Net.dll添加到项目中；
注：Lucene.Fanswo.dll实现的功能跟上面写的一样，直接调用就行。
第三，编写Programs.cs测试代码
关键语句：
using Lucene.Fanswo;
创建支持中文的分析器，
Analyzer analyzer = new Lucene.Fanswo.ChineseAnalyzer();
完整代码如下：
using System;
using System.Collections.Generic;
using System.Text;
using System.Windows.Forms;
using Lucene.Fanswo;
using Analyzer = Lucene.Net.Analysis.Analyzer;
using SimpleAnalyzer = Lucene.Net.Analysis.SimpleAnalyzer;
using StandardAnalyzer = Lucene.Net.Analysis.Standard.StandardAnalyzer;
using Token = Lucene.Net.Analysis.Token;
using TokenStream = Lucene.Net.Analysis.TokenStream; namespace Lucene.China
{
class Program
{
[STAThread]
public static void Main(System.String[] args)
{
try
{
//Test("中华人民共和国在1949年建立，从此开 始了新中国的伟大篇章。长春市长春节致词", true);
Test("hello world, a better day, never give up", true);
/*Test("一直在酝酿 new 一直在盼望 爸爸和妈妈唯一的理想 二月第一天 一九八一年 "
+ "我第一次对他们眨了眨眼 等待快点过去多少个明天"
+ "希望这个宝贝快快长大一点一点 身体要健康所有的事情都如所愿 Baby长大以后就是小轩"
+ "I will find my way I want a different way "
+ "I'll change the wind and rain There be a brand new day"
+ "小时候受伤有人心痛失落有人安慰 现在遇到困难自己就要学会面对", true); */
}
catch (System.Exception e)
{
System.Console.Out.WriteLine(" caught a " + e.GetType() + "\n with message: " + e.Message + e.ToString());
}
Application.EnableVisualStyles();
Application.SetCompatibleTextRenderingDefault(false);
Application.Run(new Form1());
} internal static void Test(System.String text, bool verbose)
{
System.Console.Out.WriteLine(" Tokenizing string: " + text);
Test(new System.IO.StringReader(text), verbose, text.Length);
} internal static void Test(System.IO.TextReader reader, bool verbose, long bytes)
{
//Analyzer analyzer = new StandardAnalyzer();
Analyzer analyzer = new Lucene.Fanswo.ChineseAnalyzer();
TokenStream stream = analyzer.TokenStream(null, reader); System.DateTime start = System.DateTime.Now; int count = ;
for (Token t = stream.Next(); t != null; t = stream.Next())
{
if (verbose)
{
System.Console.Out.WriteLine("Token=" + t.ToString());
}
count++;
} System.DateTime end = System.DateTime.Now; long time = end.Ticks - start.Ticks;
System.Console.Out.WriteLine(time + " milliseconds to extract " + count + " tokens");
System.Console.Out.WriteLine((time * 1000.0) / count + " microseconds/token");
System.Console.Out.WriteLine((bytes * 1000.0 * 60.0 * 60.0) / (time * 1000000.0) + " megabytes/hour");
}
}
}
Program.cs
测试过程中会发现如上问题，解决方法也是按上面的方式解决。
最后，附上完整测试demo项目源码下载，Lucene.China.rar
注：如果是下载项目源码，运行后发现有个空白窗体弹出，不要理它，关注控制台的输出。
@_@|| 终于写完了!!! ~_~zzZ
声明：转载请注明出处：http://www.cnblogs.com/lmei/p/3519242.html