Paoding 庖丁解牛 分词器基于 Lucene4.x

Question

Paoding's Knives 中文分词具有极 高效率 和 高扩展性 。引入隐喻，采用完全的面向对象设计，构思先进。

• 高效率：在PIII 1G内存个人机器上，1秒 可准确分词 100万 汉字。
• 采用基于 不限制个数 的词典文件对文章进行有效切分，使能够将对词汇分类定义。
• 能够对未知的词汇进行合理解析

原项目托管于 google code，但是现在已不能访问，github 和 gitee 上有镜像项目：

• https://github.com/clzdl/paoding-analysis
• https://gitee.com/zhzhenqin/paoding-analysis

分词示例

TokenStream ts = analyzer.tokenStream("text", new StringReader(text));
//添加工具类  注意：以下这些与之前lucene2.x版本不同的地方
CharTermAttribute offAtt = (CharTermAttribute) ts.addAttribute(CharTermAttribute.class);
// 循环打印出分词的结果，及分词出现的位置
while (ts.incrementToken()) {
    System.out.print(offAtt.toString() + "\t");
}

编译说明

项目默认可以使用Maven直接编译.

如果使用 Ant，可把依赖的 lib 放入 {pro_workspace}/target/dependency/ 下。然后使用 ant 可以直接编译，编译的结果存放在 {pro_workspace}/target/dist/{version}/ 下。

可使用 Maven 的 copy-dependencies 命令直接 copy 依赖到 {pro_workspace}/target/dependency/，然后使用 ant 编译。

mvn dependency：copy-dependencies

Solr 4.x 使用说明

Solr 4.x 以上可以直接配置 Lucene 的 Analyzer 配置如:

<fieldType name="text_general" class="solr.TextField">
  <analyzer class="net.paoding.analysis.analyzer.PaodingAnalyzer" />
</fieldType>