几种开源分词工具的比較

全栈程序员-站长 • 2021年12月16日下午7:00 • 未分类 • 阅读 37

大家好，又见面了，我是全栈君，今天给大家准备了Idea注册码。

此处内容已经被作者隐藏，请输入验证码查看内容

请关注本站微信公众号，回复“验证码”，获取验证码。在微信里搜索“全栈程序员社区”或者“www_javaforall_cn”或者微信扫描右侧二维码都可以关注本站微信公众号。

搜集了一些资料，与同学一起进行了简单的測试，总结例如以下。

分词工具特点	支持语言	原理	词典及扩展性
StandardAnalyzer	中文、英文（unicode）	中文：单字符切分英文：依据空格切分
ChineseAnalyzer	中文，不支持中文和英文及数字混合的文本分词	按字分词,与StandardAnalyzer对中文的分词没有大的差别
CJKAnalyzer	中文，英文，不支持中文和英文及数字混合的文本分词	採用的双字切分，也就是对一段文字按每两个字来进行切分
IKAnalyzer	英文字母、数字、中文词汇等分词处理，兼容韩文、日文字符	正向迭代最细粒度切分算法(词典+文法分析）	收录27万中文词汇，支持用户词典扩展定义、支持自己定义停止词
paoding	中文	支持不限制个数的用户自己定义词库
MMAnalyzer	支持英文、数字、中文（简体）混合分词	正向最大匹配算法	支持动态扩展
MMSeg4j	中文，包含一些字符的处理英文、俄文、希腊、数字（包含①㈠⒈）的分出一连串的。眼下版本号没有处理小数字问题	用 Chih-Hao Tsai 的 MMSeg 算法。MMSeg 算法有两种分词方法：Simple和Complex，都是基于正向最大匹配。在complex基础上实现了最多分词(max-word)	强制使用 UTF-8) 使用sougou词库，也可自己定义覆盖
imdict	中文、英文、数字	隐马尔科夫模型	仅coredict核心字典、bigramdict词典，不含人名、地名词典。不支持自己定义词典

分词工具特点	速度	文档完整性	大小	Lucene版本号	备注
StandardAnalyzer
ChineseAnalyzer	Lucene contrib中附带的分析器
CJKAnalyzer	Lucene contrib中附带的二元分词
IKAnalyzer 3.2.8	83 万字/秒（1600KB/S）	具体	2.62MB	Lucene2.9、 Lucene3.0	支持细粒度和最大词长两种切分模式
paoding	100万字/秒	差点儿无	1.3MB	Lucene3.0
MMAnalyzer	第一次分词须要1－2秒（读取词典），之后速度基本与Lucene自带分词持平	原始站点已经找不到下载，不提供维护和支持	内存消耗30M+	lucene 1.9到2.4之间
MMSeg4j	complex 1200kb/s左右, simple 1900kb/s左右	MMSeg 算法是英文的，但原理比較简单。实现也比較清晰。	内存开销了50M左右	mmseg4j 1.8.3 仅仅支持 lucene 2.9/3.0 接口。mmseg4j 1.8.5 支持 lucene 3.1。
imdict	259517字/秒	较全	词典大小7.26MB	Lucene2.9直接收录

分词效果演示：

消歧义效果：

数字、英文混合分词效果：

发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/117911.html原文链接：https://javaforall.net