求助ICTCLAS初始化失败，原因是NLPIR.user无效或过期

在命令行下运行埃我记得是UTF-8编码就可以分词，如果不成就换成GB18030编码，比GBK要好用。 你不能在你的编辑器里运行python， 以后改变这种windows开发习惯， 用print代替调试。 不要在编辑器里运行， 要在命令行里运行。 你应该没下载360安全

语料库分为中文和英文的。英文的好搜，上知网，找几篇论文，大部分软件都会说，中文的话搜索自然语言处理，里面模块就有中文分词相关的，搜nlpir，这个中文分词的效果最好（现在不确定，毕竟分词软件也不少）

以前ictclas014似乎只能在windows下被python调用。我就成功过。 不过到了linux下比较麻烦。java调用是可以的。但是python似乎有些麻烦。不过当时谷哥的code项目里有一个开源版本。 现在不用这么麻烦了。

去年专业实训我做了一个简单的搜索引擎，所以可以简单说下框架。
搜索引擎分为三大块：下载，索引，搜索。
下载：
这部分是需要把你想要搜索的范围的原始数据。如果搜索的范畴是网页上的内容，那么它就是一个网络爬虫。我当时做的是一个校内网的搜索引擎，所以就写了一个爬虫从校园网主页开始下载，分析网页内的链接把符合要求的链接加入待下载队列，这样一直把所有校园网的网页全部都下载下来。
索引
搜索引擎之所以可以搜的那么快，都是索引的功劳。索引是一种专门针对搜索优化的结构，详情可以百度 倒排索引 。
前面搜索下载的是网页全文，里面的html标签是不需要被搜索的，所以要把数据清洗一下，提取出其中的重要内容。
文本内容的预处理还需要分词 、去除无意义的停用词等。分词是什么呢…你还是百度吧
建立索引有现成的库：LUCENE ，它自带有几个默认分词器，如果想要你的搜索引擎搜索的结果更好，你可以使用的中文分词器（这个当然也有现成的工具啦，ik分词，NLPIR这些都是现有的解决方案，效果也还不错）如果之前没有接触过它，那就需要学习一下。
索引建立好了，接下来就是搜索了。搜索是将根据查询词，搜索索引内匹配的内容，然后展示出来。符合查询词的结果多了的时候怎么办呢，这就涉及到排序的问题，这就有点复杂啦，这就涉及到很多排序算法比如tfidf之类的东西，不过这些lucene的api也帮你做了，它的内部有一个打分机制，将打分高放在搜索结果的前面。
以上三个点，每一个地方如果要展开，都可以写一部小书了，根据题主情况选择了解学习。
说了以上，如果你只是想实现一个小文本量的检索功能，select from xxx like 就可以满足你的需求。

---