java编个中文分词的程序

import java.io.Reader

import java.io.StringReader

import org.apache.lucene.analysis.*

import org.apache.lucene.analysis.cjk.CJKAnalyzer

import org.apache.lucene.analysis.cn.ChineseAnalyzer

import org.apache.lucene.analysis.standard.StandardAnalyzer

import org.mira.lucene.analysis.MIK_CAnalyzer

public class JeAnalyzer {

    public static void testStandard(String testString) {

        try {

            Analyzer analyzer = new StandardAnalyzer()

            Reader r = new StringReader(testString)

            StopFilter sf = (StopFilter) analyzer.tokenStream("", r)

            System.err.println("=====standard analyzer====")

            Token t

            while ((t = sf.next()) != null) {

                System.out.println(t.termText())

            }

        } catch (Exception e) {

            e.printStackTrace()

        }

    }

    public static void testCJK(String testString) {

        try {

            Analyzer analyzer = new CJKAnalyzer()

           旅和 Reader r = new StringReader(testString)

            StopFilter sf = (StopFilter) analyzer.tokenStream("", r)

            System.err.println("=====cjk analyzer====")

            Token t

            while ((t = sf.next()) != null) {

                System.out.println(t.termText())

          拆腊盯  }

        } catch (Exception e) {

            e.printStackTrace()

        }

    }

    public static void testChiniese(String testString) {

        try {

            Analyzer analyzer = new ChineseAnalyzer()

            Reader r = new StringReader(testString)

            TokenFilter tf = (TokenFilter) analyzer.tokenStream("", r)

            System.err.println("=====chinese analyzer====")

            Token t

            while ((t = tf.next()) != null) {

                System.out.println(t.termText())

            }

        } catch (Exception e) {

            e.printStackTrace()

     局仔   }

    }

    public static String transJe(String testString, String c1, String c2) {

        String result = ""

        try {

            Analyzer analyzer = new MIK_CAnalyzer()

            Reader r = new StringReader(testString)

            TokenStream ts = (TokenStream) analyzer.tokenStream("", r)

            Token t

            while ((t = ts.next()) != null) {

                result += t.termText() + ","

            }

        } catch (Exception e) {

            e.printStackTrace()

        }

        return result

    }

    public static void main(String[] args) {

        try {

            String testString = "中文分词的方法其实不局限于中文应用，也被应用到英文处理，如手写识别，单词之间的空格就很清楚，中文分词方法可以帮助判别英文单词的边界"

            System.out.println("测试的语句    "+testString)

            String sResult[] = transJe(testString, "gb2312", "utf-8").split(",")

            for (int i = 0 i < sResult.length i++) {

                System.out.println(sResult[i])

            }

        } catch (Exception e) {

            e.printStackTrace()

        }

    }

}

jar包  

lucene-analyzers-2.4.1.jar

lucene-core-2.4.1.jar

IKAnalyzer2.0.2OBF.jar

下面这个程序是对一个文本文件里的内容进行分词知桐的程序：test.py

[python] view plain copy

#!/usr/bin/python

#-*- encoding:utf-8 -*-

import jieba                                          老猛陆          #导入jieba模块

def splitSentence(inputFile, outputFile):

fin = open(inputFile, 'r')                                  #以读的方式打开文件

fout = open(outputFile, 'w'侍顷)                                #以写得方式打开文件

for eachLine in fin:

line = eachLine.strip().decode('utf-8', 'ignore')       #去除每行首尾可能出现的空格，并转为Unicode进行处理

wordList = list(jieba.cut(line))                        #用结巴分词，对每行内容进行分词

outStr = ''

for word in wordList:

outStr += word

outStr += '/ '

fout.write(outStr.strip().encode('utf-8') + '\n')       #将分词好的结果写入到输出文件

fin.close()

fout.close()

splitSentence('myInput.txt', 'myOutput.txt')

写完程序之后，在Linux重点输入：python test.py即可运行程序进行分词。

输入的文件内容如下所示：

经过结巴分词后，输出结果如下所示：

注意：第11行的 jieba.cut()返回的结构是一个可迭代的generator，可以用list(jieba.cut(...))转化为list

---