为什么用word1.2?
最新的word分词是1.3版本，但是用1.3的时候会出现一些Bug，产生Java.lang.OutOfMemory错误，所以还是用比较稳定的1.2版本。
在Lucene 6.1.0中，实现一个Analyzer的子类，也就是构建自己的Analyzer的时候，需要实现的方法是createComponet(String fieldName)，而在Word 1.2中，没有实现这个方法（word 1.2对lucene 4.+的版本支持较好），运用ChineseWordAnalyzer运行的时候会提示：
Exception in thread "main" java.lang.AbstractMethodError: org.apache.lucene.analysis.Analyzer.createComponents(Ljava/lang/String;)Lorg/apache/lucene/analysis/Analyzer$TokenStreamComponents;
at org.apache.lucene.analysis.Analyzer.tokenStream(Analyzer.java:140)
所以要对ChineseWordAnalyzer做一些修改.
实现createComponet(String fieldName)方法
新建一个Analyzer的子类MyWordAnalyzer，根据ChinesWordAnalyzer改写：
public class MyWordAnalyzer extends Analyzer {
Segmentation segmentation = null;
public MyWordAnalyzer() {
segmentation = SegmentationFactory.getSegmentation(
SegmentationAlgorithm.BidirectionalMaximumMatching);
}
public MyWordAnalyzer(Segmentation segmentation) {
this.segmentation = segmentation;
}
@Override
protected TokenStreamComponents createComponents(String fieldName) {
Tokenizer tokenizer = new MyWordTokenizer(segmentation);
return new TokenStreamComponents(tokenizer);
}
}
其中segmentation属性可以设置分词所用的算法，默认的是双向最大匹配算法。接着要实现的是MyWordTokenizer，也是模仿ChineseWordTokenizer来写：
public class MyWordTokenizer extends Tokenizer{
private final CharTermAttribute charTermAttribute
= addAttribute(CharTermAttribute.class);
private final OffsetAttribute offsetAttribute
= addAttribute(OffsetAttribute.class);
private final PositionIncrementAttribute
positionIncrementAttribute
= addAttribute(PositionIncrementAttribute.class);
private Segmentation segmentation = null;
private BufferedReader reader = null;
private final Queue<Word> words = new LinkedTransferQueue<>();
private int startOffset=0;
public MyWordTokenizer() {
segmentation = SegmentationFactory.getSegmentation(
SegmentationAlgorithm.BidirectionalMaximumMatching);
}
public MyWordTokenizer(Segmentation segmentation) {
this.segmentation = segmentation;
}
private Word getWord() throws IOException {
Word word = words.poll();
if(word == null){
String line;
while( (line = reader.readLine()) != null ){
words.addAll(segmentation.seg(line));
}
startOffset = 0;
word = words.poll();
}
return word;
}
@Override
public final boolean incrementToken() throws IOException {
reader=new BufferedReader(input);
Word word = getWord();
if (word != null) {
int positionIncrement = 1;
//忽略停用词
while(StopWord.is(word.getText())){
positionIncrement++;
startOffset += word.getText().length();
word = getWord();
if(word == null){
return false;
}
}
charTermAttribute.setEmpty().append(word.getText());
offsetAttribute.setOffset(startOffset, startOffset
+word.getText().length());
positionIncrementAttribute.setPositionIncrement(
positionIncrement);
startOffset += word.getText().length();
return true;
}
return false;
}
}
incrementToken()是必需要实现的方法，返回true的时候表示后面还有token，返回false表示解析结束。在incrementToken()的第一行，将input的值赋给reader，input是Tokenizer为Reader的对象，在Tokenizer中还有另一个Reader对象——inputPending，在Tokenizer中源码如下：
public abstract class Tokenizer extends TokenStream {
/** The text source for this Tokenizer. */
protected Reader input = ILLEGAL_STATE_READER;
/** Pending reader: not actually assigned to input until reset() */
private Reader inputPending = ILLEGAL_STATE_READER;
input中存储的是需要解析的文本，但是文本是先放到inputPending中，直到调用了reset方法之后才将值赋给input。
reset()方法定义如下：
@Override
public void reset() throws IOException {
super.reset();
input = inputPending;
inputPending = ILLEGAL_STATE_READER;
}
在调用reset()方法之前，input里面的是没有需要解析的文本信息的，所以要在reset()之后再将input的值赋给reader（一个BufferedReader 的对象）。
做了上面的修改之后，就可以运用Word 1.2里面提供的算法进行分词了：
测试类MyWordAnalyzerTest
public class MyWordAnalyzerTest {
public static void main(String[] args) throws IOException {
String text = "乒乓球拍卖完了";
Analyzer analyzer = new MyWordAnalyzer();
TokenStream tokenStream = analyzer.tokenStream("text", text);
// 准备消费
tokenStream.reset();
// 开始消费
while (tokenStream.incrementToken()) {
// 词
CharTermAttribute charTermAttribute
= tokenStream.getAttribute(CharTermAttribute.class);
// 词在文本中的起始位置
OffsetAttribute offsetAttribute
= tokenStream.getAttribute(OffsetAttribute.class);
// 第几个词
PositionIncrementAttribute positionIncrementAttribute
= tokenStream
.getAttribute(PositionIncrementAttribute.class);
System.out.println(charTermAttribute.toString() + " "
+ "(" + offsetAttribute.startOffset() + " - "
+ offsetAttribute.endOffset() + ") "
+ positionIncrementAttribute.getPositionIncrement());
}
// 消费完毕
tokenStream.close();
}
}
结果如下：
因为在increamToken()中，将停止词去掉了，所以分词结果中没有出现“了”。从上面的结果也可以看到，Word分词可以将句子分解为“乒乓球拍”和“卖完”，对比用SmartChineseAnalyzer()：
综上Word的分词效果还是不错的。
