MMSeg4j 分词器

MMSeg4j用Chih-Hao Tsai 的MMSeg算法实现的中文分词器，并实现lucene的analyzer和solr的TokenizerFactory以方便在Lucene和Solr中使用。

MMSeg 算法有两种分词方法：Simple和Complex，都是基于正向最大匹配。Complex加了四个规则过滤。官方说：词语的正确识别率达到了 98.41%。MMSeg4j已经实现了这两种分词算法。

Maven依赖

<dependency>
    <groupId>com.chenlb.mmseg4j</groupId>
    <artifactId>mmseg4j-core</artifactId>
    <version>1.10.0</version>
</dependency>

一个简单应用

public static List<String> segmentWords(String txt) {
    List<String> words = new ArrayList<String>();
    Dictionary dic = Dictionary.getInstance();
    MMSeg mmSeg = new MMSeg(new StringReader(txt), new ComplexSeg(dic));
    Word word = null;
    try {
        while ((word = mmSeg.next()) != null) {
            String w = word.getString();
            words.add(w);
        }
    } catch (IOException e) {
        throw new ServiceErrorException(e);
    }
    return words;
}

public static void main(String[] args) {
    SString txt = "";
    txt = "京华时报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。";
    txt = "研究生命起源";
    txt = "手机电子书    abc   http://www.sjshu.com";
    txt = "Apple 苹果 MacBook Pro MB991CH/A 13.3m寸宽屏笔记本(Ⅱ,⑩)";
    System.out.println(segmentWords(txt));
}

参考链接：MMSeg4j官网