solr 中文分词 mmseg4j 使用例子 ,NGramTokenizerFactory
solr 中文分词 mmseg4j 使用例子版权信息: 可以任意转载, 转载时请务必以超链接形式标明文章原文出处, 即下面的声明.
原文出处：http://blog.chenlb.com/2009/04/solr-chinese-segment-mmseg4j-use-demo.html
mmseg4j 第一个版本就可以方便地与 solr 集成，在 google code 上面有简单的说明，第一版的发布博客也有简单的使用说明：中文分词 mmseg4j。为了更清楚说明在 solr 中使用 mmseg4j 中文分词，还是写篇博客吧。
目前有两个版本的 mmseg4j，1.7 版比较耗内存（一个词库目录就要 50M 左右），所以在默认jvm内存大小会抛出 OutOfMemoryErroy。我这里示例两个词库目录，所以不用目前最新版 1.7.2。而用 1.6.2 版。下载：mmseg4j-1.6.2 和 词库，或就下载一个源码包（包括了词库，从源码构建请看：中文分词 mmseg4j 1.7.2 版发布），把 mmseg4j-all-1.6.2.jar 放到 solr.home/lib 。
mmseg4j 在 solr 中主要支持两个参数：mode、dicPath。mode 表示是什么模式分词（有效值：simplex、complex、max-word，如果输入了无效的默认用 max-word。）。dicPath 是词库目录可以是绝对目录，也可以是相对目录（是相对 solr.home 目录下的，dic 就会在 solr.home/dic 目录下找词库文件），如果不指定就是默认在 CWD/data 目录（程序运行当前目录的data子目录）下找。
改 solr 配置文件，主要是修改 schema.xml，我添加三个 field type，如下：
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
[*]
说明：有多少不同的词库目录就会有多少个词库数组结构的实例，由上面的配置，会有两个实例。注意用 1.7.2 版会内存溢出。
定义几个字段：
[*]
[*]
[*]
再添加个 copyField（最后面加吧）：
[*]
[*]
现在 mmseg4j 在 solr 中的使用配置好了。接下来安装 solr 到 tomcat。
solr 1.3 版早就出了，我就用它为示例的 solr。下载：solr-1.3.0，如：解压放到 N:/OpenSource/apache-solr-1.3.0。在 tomcat 中怎么安装 solr 请看：Solr 使用入门介绍，以搜索论坛帖子为示例，solr install ， solr tomcat， solr on tomcat。
我是用 TOMCAT_HOME/conf/Catalina/localhost/solr.xml 的安装方式，指到 n:/OpenSource/apache-solr-1.3.0/example/solr。tomcat 6 可能没有这个目录，手动创建这目录。
启动 tomcat 可以看到 mmseg4j 的相关日志，然后在 http://localhost:8080/solr/admin/analysis.jsp 可以看 mmseg4j 的分词效果。在 Field 的下拉菜单选择 name，然后在应用输入 complex。分词的结果，如下图：
http://blog.chenlb.com/wp-content/uploads/2009/04/complex-analyzer-600x478.jpg mmseg4j solr analysis 调试，点击放大
好了，可以运行起来了，那就添加个文档试下，在 n:/OpenSource/apache-solr-1.3.0/example/exampledocs 下创建 mmseg4j-solr-demo-doc.xml 文档：
[*]
[*]
[*] 1
[*] 京华时报２００９年1月23日报道 昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的偏北风。
[*]
[*]
[*] 2
[*] 昨日金正日抵达长春市，进行两天的长春市内电话系统考察。
[*]
[*]
[*] 3
[*] 陈教授正在研究生命起源，他的研究生正在打球。
[*]
[*]
[*] 4
[*] 中国人民银行是中华人民共和国的中央银行。
[*]
[*]
1 京华时报２００９年1月23日报道 昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的偏北风。 2 昨日金正日抵达长春市，进行两天的长春市内电话系统考察。 3 陈教授正在研究生命起源，他的研究生正在打球。 4 中国人民银行是中华人民共和国的中央银行。 然后提交到 solr，在 cmd 下运行 post.jar，如下：
N:\OpenSource\apache-solr-1.3.0\example\exampledocs>java -Durl=http://localhost:8080/solr/update -Dcommit=yes -jar post.jar mmseg4j-solr-demo-doc.xml
SimplePostTool: version 1.2
SimplePostTool: WARNING: Make sure your XML documents are encoded in UTF-8, other encodings are not currently supported
SimplePostTool: POSTing files to http://localhost:8080/solr/update..
SimplePostTool: POSTing file mmseg4j-solr-demo-doc.xml
SimplePostTool: COMMITting Solr index changes..
注意：mmseg4j-solr-demo-doc.xml 要是 UTF-8 格式，不然提交后会乱码。
看下是否有数据：http://localhost:8080/solr/select/?q=*:*，有数据，应该正常。
然后，找“西伯利亚”.
simple：http://localhost:8080/solr/select?indent=on&q=simple:%E8%A5%BF%E4%BC%AF%E5%88%A9%E4%BA%9A&hl=on&hl.fl=simple%2Ccomplex%2Ctext&fl=id，结果如下：
[*]
[*]
[*]
[*]
[*] 0
[*] 0
[*]
[*]id
[*]on
[*]simple:西伯利亚
[*]simple,complex,text
[*]on
[*]
[*]
[*]
[*]
[*]
00 id on simple:西伯利亚 simple,complex,text on comlex：http://localhost:8080/solr/select?indent=on&q=complex:%E8%A5%BF%E4%BC%AF%E5%88%A9%E4%BA%9A&hl=on&hl.fl=simple%2Ccomplex%2Ctext&fl=id，结果如：
[*]
[*]
[*]
[*]
[*] 0
[*] 0
[*]
[*]id
[*]on
[*]complex:西伯利亚
[*]simple,complex,text
[*]on
[*]
[*]
[*]
[*]
[*]1
[*]
[*]
[*]
[*]
[*]
[*] 京华时报２００９年1月23日报道 昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的偏北风。
[*]
[*]
[*]
[*]
00 id on complex:西伯利亚 simple,complex,text on 1 京华时报２００９年1月23日报道 昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的偏北风。 text（其实是 max-word）：http://localhost:8080/solr/select?indent=on&q=text:%E8%A5%BF%E4%BC%AF%E5%88%A9%E4%BA%9A&hl=on&hl.fl=simple%2Ccomplex%2Ctext&fl=id，结果：
[*]
[*]
[*]
[*]
[*] 0
[*] 15
[*]
[*]id
[*]on
[*]text:西伯利亚
[*]simple,complex,text
[*]on
[*]
[*]
[*]
[*]
[*]1
[*]
[*]
[*]
[*]
[*]
[*] 京华时报２００９年1月23日报道 昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的偏北风。
[*]
[*]
[*]
[*]
下面是NGramTokenizerFactory分词设置
NGramTokenizerFactory
页:
[1]