中科院NLPIR中文分词java版

摘要：为解决中文搜索的问题，最开始使用PHP版开源的SCWS，但是处理人名和地名时，会出现截断人名地名出现错误。开始使用NLPIR分词，在分词准确性上效果要比SCWS好。本文介绍如何在windows系统下编译JAVA ，生成可以执行的jar文件。

NLPIR的下载地址：

http://ictclas.nlpir.org/downloads

GitHub的地址：

https://github.com/NLPIR-team/NLPIR

两个版本有一些不同，本文将分别讲解如何利用Eclipse建立工程。

一、NLPIR官方版本

下载后文件夹中bin目录，如下图所示，其中NLPIR_WinDemo.exe是一个NLPIR的演示程序，可以尝试运行，了解NLPIR的功能。

工程源码在sample目录下，包含C、C++、Hadoop、JAVA、Python等语言示例。

用Eclipse新建一个工程导入JAVA工程目录JnaTest_NLPIR，

（1）Eclipse -> File->import

(2)选择JnaTest_NLPIR所在的路径，点击Finish

（3）查看Eclipse工程

（4）NlpirTest.java文件中包含main函数，下面的语句初始化NLPIR需要的库文件

CLibrery类是包含在NlpirTest.java文件中，

CLibrary Instance = (CLibrary) Native.loadLibrary("H:\\workspace\\ictclas\\1\\ICTCLAS2015\\lib\\win64\\NLPIR", CLibrary.class);

函数loadLibrary需要传递库文件位置，源码提供了多种语言类库，我们的工程需要加载win64类库，该文件夹内容如下,

（5）加载分词数据Data文件夹路径

String argu = "H:\\workspace\\ictclas\\1\\ICTCLAS2015";
String system_charset = "UTF-8";
int charset_type = 1;
int init_flag = CLibrary.Instance.NLPIR_Init(argu, charset_type, "0");

H:\\workspace\\ictclas\\1\\ICTCLAS2015是Data文件夹的父文件夹。

这步骤完成后，你就可以调试代码了。有关API可以阅读手册。

二、github上下载的代码

目录中包含了NLPIR SDK目录，每一个目录是NLPIR提供的一个组件。NLPIR-ICTCLAS目录包含NLPIR组件的代码。

在Eclipse中导入ICTCLAS_java工程，工程目录如下图

工程中没有填写main函数，可以在NlpirTest.java文件中，加入main函数

public class NlpirTest {
public static void main(String[] args) throws Exception{
NlpirTest t = new NlpirTest();
      t.testParticiple();
}

public void testParticiple() throws IOException {
.....

    }
.......
}

和官方网站不同，加载库文件可以自动判断系统类型，在工程当前目录下查找库文件。“工程当前目录”的win32、win64、linux32、linux64都是包含库文件的文件夹。

同时会自动加载“工程当前目录“下Data问佳佳为分词数据目录。这些目录设置好，就可以进行调试工作了。

三、在github中"查找关键字"的组件Key_Extract

工程目录如下，

project中提供java版本的示例代码，利用Eclipse导入工程

同样在KeyExtractor.java文件中添加main函数。KeyExtract_GetKeyWords的第一个参数是需要提取关键字的文本，第二参数是关键字的个数。

public static void main(String[] args) {
String keyWordsStr = CLibraryKeyExtractor.instance.KeyExtract_GetKeyWords(args[0], 10, true);
System.out.println(keyWordsStr);
CLibraryKeyExtractor.instance.KeyExtract_Exit();
}

在工程的当前文件夹下，有一个Data目录，是分词和提取关键词需要用到的分词数据。需要将需要的license考入到这个文件夹。你可以不用区分用到哪一个user文件，建议把全部文件都考到当前工程目录Data文件夹中。