分词器对英文的支持是非常好的。

一般分词经过的流程：

1)切分关键词

2)去除停用词

3)把英文单词转为小写

但是老外写的分词器对中文分词一般都是单字分词，分词的效果不好。

国人林良益写的IK Analyzer应该是最好的Lucene中文分词器之一，而且随着Lucene的版本更新而不断更新，目前已更新到IK Analyzer 2012版本。

IK Analyzer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。到现在，IK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。在2012版本中，IK实现了简单的分词歧义排除算法，标志着IK分词器从单纯的词典分词向模拟语义分词衍化。

在系统环境：Core2 i7 3.4G双核，4G内存，window 7 64位， Sun JDK 1.6_29 64位 普通pc环境测试，IK2012具有160万字/秒(3000KB/S)的高速处理能力。

特别的，在2012版本，词典支持中文，英文，数字混合词语。

IK Analyzer 2012版本的分词效果示例：

IK Analyzer2012版本支持 细粒度切分 和 智能切分。

我们看两个演示样例：

1)文本原文1：

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版本开始，IKAnalyzer已经推出了3个大版本。

智能分词结果：

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

最细粒度分词结果：

ikanalyzer | 是 | 一个 | 一 | 个 | 开源 | 的 | 基于 | java | 语言 | 开发 | 的 | 轻量级| 量级 | 的 | 中文 | 分词 | 工具包 | 工具 | 包 | 从 | 2006 | 年 | 12 | 月 | 推出 | 1.0 | 版 | 开始 | ikanalyzer | 已经 | 推出 | 出了 | 3 | 个 | 大 | 版本

2)文本原文2：

张三说的确实在理。

智能分词结果：

张三 | 说的 | 确实 | 在理

最细粒度分词结果：

张三 | 三 | 说的 | 的确 | 的 | 确实 | 实在 | 在理

IKAnalyzer的使用

1)下载地址：

2)兼容性：

IKAnalyzer 2012版本兼容Lucene3.3以上版本。

3)安装部署：

十分简单，只需要将IKAnalyzer2012.jar引入项目中就可以了。对于"的"、"了"、"着"之类的停用词，它有一个词典stopword.dic。把stopword.dic和IKAnalyzer.cfg.xml复制到class根目录就可以启用停用词功能和扩展自己的词典。

4)测试例子：

新建一个Java Project，引入Lucene所需的jar文件和IKAnalyzer2012.jar文件，把stopword.dic和IKAnalyzer.cfg.xml复制到class根目录，建立一个扩展词典ext.dic和中文停用词词典chinese_stopword.dic。

IKAnalyzer2012发布包自带的stopword.dic里面存的是英文的停用词。所以我们新建一个chinese_stopword.dic，用来存放中文停用词。chinese_stopword.dic需要使用UTF-8编码。词典中，每个中文词汇独占一行。

chinese_stopword.dic内容格式：

IKAnalyzer.cfg.xml：

1 <?xml version="1.0" encoding="UTF-8"?>

2

3

4 IK Analyzer 扩展配置

5

6 ext.dic;

7

8

9 stopword.dic;chinese_stopword.dic

10

11

可以配置多个词典文件，文件使用";"号分隔。文件路径为相对java包的起始根路径。

扩展词典ext.dic需要为UTF-8编码。

ext.dic内容：

我把"2012"作为一个词，"欧洲杯四强赛"作为一个词。

测试分词代码：

1 packagecom.cndatacom.lucene.test;2

3 importjava.io.StringReader;4

5 importorg.apache.lucene.analysis.Analyzer;6 importorg.apache.lucene.analysis.TokenStream;7 importorg.apache.lucene.analysis.tokenattributes.CharTermAttribute;8 importorg.junit.Test;9 importorg.wltea.analyzer.lucene.IKAnalyzer;10

11

12 /**

13 * IKAnalyzer 分词器测试14 *@authorLuxh15 */

16 public classIKAnalyzerTest {17

18 @Test19 public void testIKAnalyzer() throwsException {20

21 String keyWord = "2012年欧洲杯四强赛";22

23 IKAnalyzer analyzer = newIKAnalyzer();24

25 //使用智能分词

26 analyzer.setUseSmart(true);27

28 //打印分词结果

29 printAnalysisResult(analyzer,keyWord);30

31 }32

33 /**

34 * 打印出给定分词器的分词结果35 *@paramanalyzer 分词器36 *@paramkeyWord 关键词37 *@throwsException38 */

39 private void printAnalysisResult(Analyzer analyzer, String keyWord) throwsException {40 System.out.println("当前使用的分词器：" +analyzer.getClass().getSimpleName());41 TokenStream tokenStream = analyzer.tokenStream("content", newStringReader(keyWord));42 tokenStream.addAttribute(CharTermAttribute.class);43 while(tokenStream.incrementToken()) {44 CharTermAttribute charTermAttribute = tokenStream.getAttribute(CharTermAttribute.class);45 System.out.println(newString(charTermAttribute.buffer()));46 }47 }48 }

打印出来的分词结果：

可以看到”2012“作为一个词，“欧洲杯四强赛”也是作为一个词，停用词”年“已被过滤掉。