IKAnalyzer结合Lucene使用和单独使用例子简单性能测试

IKAnalyzer是一个开源基于JAVA语言的轻量级的中文分词第三方工具包，采用了特有的“正向迭代最细粒度切分算法“，支持细粒度和智能分词两种切分模式。刚开始使用的时候，发现不能支持中文和字母混合的分词，例如：iPhone5s土豪金。后来发现在2012版本，词典支持中文，英文，数字混合词语，并且优化了词典存储，内存更小的占用。支持用户词典扩展定义。为了更好的测试，这里就使用了IKAnalyzer2012_u6这个版本。

使用到的Jar包：

IKAnalyzer2012_u6.jar
lucene-core-3.6.0.jar

把 IKAnalyzer中的IKAnalyzer.cfg.xml, ext.dic（如果找不到，可以手动创建一个该文件）, stopword.dic文件放到代码的根目录中。

结合Lucene使用

下载下来的Jar包是包含了结合Lucene使用的例子，先把要检索的内容，写入Lucene索引，然后根据需要查找的关键词，通过Lucene的QueryParser对象进行解析查找，构造该QueryParser对象的时候，传入了IKAnalyzer，进而通过IKAnalyzer进行分词：

Analyzer analyzer = new IKAnalyzer(true);
QueryParser qp = new QueryParser(Version.LUCENE_34, fieldName, analyzer);

ext.dic词典如下：

iPhone5s土豪金
2014巴西世界杯

完整代码如下：

// 使用Lucene分词
//Lucene Document的域名
String fieldName = “text”;
//检索内容
String text = “据说WWDC要推出iPhone6要出了？与iPhone5s土豪金相比怎样呢？”;
//实例化IKAnalyzer分词器
Analyzer analyzer = new IKAnalyzer(true);

Directory directory = null;
IndexWriter iwriter = null;
IndexReader ireader = null;
IndexSearcher isearcher = null;
try {
//建立内存索引对象
directory = new RAMDirectory();

//配置IndexWriterConfig
IndexWriterConfig iwConfig = new IndexWriterConfig(Version.LUCENE_34 , analyzer);
iwConfig.setOpenMode(OpenMode.CREATE_OR_APPEND);
iwriter = new IndexWriter(directory , iwConfig);
//写入索引
Document doc = new Document();
doc.add(new Field("ID", "10000", Field.Store.YES, Field.Index.NOT_ANALYZED));
doc.add(new Field(fieldName, text, Field.Store.YES, Field.Index.ANALYZED));
iwriter.addDocument(doc);
iwriter.close();

//搜索过程**********************************
//实例化搜索器   
ireader = IndexReader.open(directory);
isearcher = new IndexSearcher(ireader);            

String keyword = "iPhone5s土豪金";            
//使用QueryParser查询分析器构造Query对象
QueryParser qp = new QueryParser(Version.LUCENE_34, fieldName, analyzer);
qp.setDefaultOperator(QueryParser.AND_OPERATOR);
Query query = qp.parse(keyword);
System.out.println("Query = " + query);

//搜索相似度最高的5条记录
TopDocs topDocs = isearcher.search(query , 5);
System.out.println("命中：" + topDocs.totalHits);
//输出结果
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for (int i = 0; i < topDocs.totalHits; i++){
    Document targetDoc = isearcher.doc(scoreDocs[i].doc);
    System.out.println("内容：" + targetDoc.toString());
}

} catch (CorruptIndexException e) {
e.printStackTrace();
} catch (LockObtainFailedException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} catch (ParseException e) {
e.printStackTrace();
} finally{
if(ireader != null){
try {
ireader.close();
} catch (IOException e) {
e.printStackTrace();
}
}
if(directory != null){
try {
directory.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}

执行结果：

加载扩展词典：ext.dic
加载扩展停止词典：stopword.dic
Query = text:iphone5s土豪金
命中：1
内容：Document<stored,indexedID:10000 stored,indexed,tokenizedtext:据说WWDC要推出iPhone6要出了？与iPhone5s土豪金相比怎样呢？>

直接通过Analyzer进行分词

如果我们不需要建立Lucene索引文件，而是单纯的对一段文本进行分词，可以直接创建一个org.apache.lucene.analysis.Analyzer分词对象（org.wltea.analyzer.lucene.IKAnalyzer IK分词主类，基于Lucene的Analyzer接口实现）进行遍历分词数据。

下面演示下，并且在分词之前额外的添加一些单词到字典中。ext.dic词典如下：

iPhone5s土豪金
2014巴西世界杯

代码如下：

// 检索内容
String text = “据说WWDC要推出iPhone6要出了？与iPhone5s土豪金相比怎样呢？@2014巴西世界杯 test中文”;
List list = new ArrayList();
list.add(“test中文”);

// 尚未初始化，因为第一次执行分词的时候才会初始化，为了在执行分此前手动添加额外的字典，需要先手动的初始化一下
Dictionary.initial(DefaultConfig.getInstance());
Dictionary.getSingleton().addWords(list);

//创建分词对象
Analyzer analyzer = new IKAnalyzer(true);
StringReader reader = new StringReader(text);

TokenStream ts = analyzer.tokenStream(“”, reader);
CharTermAttribute term = ts.getAttribute(CharTermAttribute.class);
//遍历分词数据
try {
while(ts.incrementToken()){
System.out.print(term.toString()+“|”);
}
} catch (IOException e) {
e.printStackTrace();
} finally{
reader.close();
}

执行结果：

加载扩展词典：ext.dic
加载扩展停止词典：stopword.dic
据说|wwdc|要|推出|iphone6|要|出了|与|iphone5s土豪金|相比|怎样|呢|2014巴西世界杯|test中文|

使用IKSegmenter进行分词

另外，如果想不结合Lucene（不使用lucene-core-3.6.0.jar），而是仅仅单独的使用IKAnalyzer，可以直接使用IK分词器的核心类，真正分词的实现类IKSegmenter分词器进行分词，代码如下：

// 单独使用
// 检索内容
String text = “据说WWDC要推出iPhone6要出了？与iPhone5s相比怎样呢？@2014巴西世界杯”;

// 创建分词对象
StringReader reader = new StringReader(text);

IKSegmenter ik = new IKSegmenter(reader,true);// 当为true时，分词器进行最大词长切分
Lexeme lexeme = null;
try {
while((lexeme = ik.next())!=null)
System.out.println(lexeme.getLexemeText());
} catch (IOException e) {
e.printStackTrace();
} finally{
reader.close();
}

性能测试：

检测目标：在单独使用IKAnalyzer的情况下，尽量往扩展字典添加词组，测试十几万长度的文本的分词效率。

扩展词库添加搜狗词库：

http://pinyin.sogou.com/dict/cell.php?id=11640

词条

大小

检索内容字数

392790个

13737KB

158453

代码如下：

// 计算载入字典时间
long startLoadDict = System.currentTimeMillis();
Dictionary.initial(DefaultConfig.getInstance());
long endLoadDict = System.currentTimeMillis();

// 创建分词对象
StringReader reader = new StringReader(text);
Lexeme lexeme = null;
int hintTimes = 0;
IKSegmenter ik = new IKSegmenter(reader,true);// 当为true时，分词器进行最大词长切分
long start = System.currentTimeMillis();
try {
while((lexeme = ik.next())!=null)
hintTimes ++;
} catch (IOException e) {
e.printStackTrace();
} finally{
reader.close();
}
long end = System.currentTimeMillis();
System.out.println(“载入字典时间：” + (endLoadDict - startLoadDict)/1000.0);
System.out.println(“处理文本字数：” + text.length());
System.out.println(“获取词元次数：” + hintTimes);
System.out.println(“执行总时间：” + (end - start)/1000.0 + “s”);
System.out.println(“处理速度：” + text.length() / ((end - start)/1000.0) + “字/秒”);
System.out.println(“本次获取词元速度：” + hintTimes / ((end - start)/1000.0) + “词/秒”);

IKAnalyzer本身有27W的词库，加上扩展词典，经过优化的方式存储到内存空间中的。

结果：

加载扩展词典：ext.dic
加载扩展停止词典：stopword.dic
载入字典时间：2.51
处理文本字数：158453
获取词元次数：54424
执行总时间：0.46s
处理速度：344463.04347826086字/秒
本次获取词元速度：118313.04347826086词/秒

IKAnalyzer结合Lucene使用和单独使用例子简单性能测试

快慢指针：环形链表 II

快慢指针：环形链表

迭代+头插法搞定两两交换链表中的节点

迭代法轻松拿下反转链表

一次遍历加数字进位解决加一问题

IKAnalyzer结合Lucene使用和单独使用例子 简单性能测试

IKAnalyzer结合Lucene使用和单独使用例子简单性能测试