文本分类（一）封装分词器

我自己简易封装了一个分词器，使用Lucene.Net.类图如下：

使用测试如下：

 

 1namespace Waemz.ChnGlobal.Test
 2{
 3    class Program
 4    {
 5        static void Main(string[] args)
 6        {
 7            List<AbsChnSpliter> spliters = new List<AbsChnSpliter>();
 8            AbsChnSpliter simple = new SimpleSpliter();
 9            AbsChnSpliter standar = new StandarSpliter();
10            AbsChnSpliter cn = new CnSpliter();
11            AbsChnSpliter ictclas = new ICTCLASSpliter();
12
13            spliters.Add(simple);
14            spliters.Add(standar);
15            spliters.Add(cn);
16            spliters.Add(ictclas);
17
18            string str = "我们都是中华人民共和国的公民：'i love china!'";
19            string splittag = "|";
20
21            for (int i = 0; i < spliters.Count; i++)
22            {
23                Console.WriteLine(spliters[i].ChnSplit(str, splittag));
24            }
25
26            Console.ReadKey();
27
28        }
29    }
30}

 

输出结果如下：

 

可见：

SimpleSpliter的分词方法是以空格、或标点分词，并去掉了标点；

StandarSpliter的粉刺方法是中文单字分词，英文以空格分词，并去掉了标点；

CnSpliter的分词方法是中文单字分词，对单个无意义的英文字母直接去掉了；-_-!

ICTCLAS的分词方法比较适合使用，对“我们“、”是“这样的无意义中文进行了过滤，中文分词效果也比较理想。

稍后贴出下载地址。