[ Java 代碼範本 ] mmseg4j : 碼上會！ mmseg4j 中文斷詞java 實作

來源自 這裡 
Preface: 
照著這篇文章的步驟，你可以使用 mmseg4j 將一串正體(繁體)中文的字串依照詞彙切開，以方便進行中文文字探勘 (Text Mining) 等計算詞頻的工作。mmseg4j 是採用 蔡志浩先生 在2000 年發表的一個中文分詞演算法 ─ MMSeg，它使用兩套演算法與四個模糊解析規則，據稱能達到98.41% 中文斷詞準確率 (理論請參考MMSeg官網)。這樣的準確率已經近似於大陸中科院的 ICTCLAS，973計畫專家組評測第一名的98.5%，此外mmseg4j在斷詞速度表現良好，高達1900kb/s (Simple版本). 

此外可喜可賀的是，mmseg4j詞庫採用utf-8編碼 (不像ICTCLAS使用GB) 而且可以自訂，因此只要替換詞庫就可以用來將優美的正體中文進行斷詞，以下來稍微介紹一下詞庫。mmseg4j 預設使用sogou 詞庫 (去除無意義詞)，並合併 rmmseg (Ruby中文斷詞套件) 的詞庫，共14多萬詞。詞庫放在jar裡面，若使用WinRAR等軟體，將下載解開的mmseg4j裡面的mmseg4j-all-X.X.X-with-dic.jar 再解開，裡面的data 資料夾就是詞庫檔預設的位置: 

* chars.dic：單一字和對應的頻率，提供complex模式使用。
* units.dic：單位詞，如：分、秒、年。主要是在數位後面的單位資訊切分好，不與words.dic中的詞有混淆。
* words.dic：核心的詞庫檔，一行一詞，不需要其它任何資料，採utf-8編碼。

若要自訂辭典，檔案名必需是 “words” 為首碼和“.dic”為副檔名，例如 wordsXXX.dic。然後我們可以把這個些自訂的詞庫集中在某個資料夾，並在程式中設定讀取這些詞庫檔 (稍後會示範)，也可以把這樣的純文字文件用WinRAR壓縮回mmseg4j-all-X.X.X-with-dic.jar 的data 資料夾中。官網(簡體)下載mmseg4j：mmseg4j 

下載mmseg4j 正體(繁體)中文詞庫: 
以下詞庫是筆者透過程式工具將原本的詞庫轉為正體字，以方便台港使用者研究學習: 

* units.dic、words.dic 正體版
* mmseg4j-all-1.8.2-with-dic.jar 正體版，我把辭典包在這裡面，所以不介意也可以直接用這個jar (之後 demo 的程式也是使用這個jar)

來吧！我們來斷詞 : 
我們要 import 這些東西，如下: 

view plaincopy to clipboardprint?

1. import java.io.IOException;  
2. import java.io.Reader;  
3. import java.io.StringReader;  
4.   
5. import com.chenlb.mmseg4j.ComplexSeg;  
6. import com.chenlb.mmseg4j.Dictionary;  
7. import com.chenlb.mmseg4j.MMSeg;  
8. import com.chenlb.mmseg4j.Seg;  
9. import com.chenlb.mmseg4j.Word;  

值得注意的是 import com.chenlb.mmseg4j.ComplexSeg 代表使用 Complex 版本的斷詞 (包含四個模糊規則)；若要使用簡單版本，請換成 import com.chenlb.mmseg4j.SimpleSeg;。接下來，我們在class裡面宣告一個字典型態的變數 dic (儲存詞庫)，並建立建構子與設定一些程式資訊，如下: 

view plaincopy to clipboardprint?

1. protected Dictionary dic;  
2.       
3. public SegChinese() {  
4.     System.setProperty("mmseg.dic.path", "./src/SegChinese/data");  //這裡可以指定自訂詞庫  
5.     dic = Dictionary.getInstance();  
6. }  
7.   
8. protected Seg getSeg() {  
9.     return new ComplexSeg(dic);  
10. }  

Seg 方法可以指定要使用的分詞器，在這邊使用 Complex (複雜版的)，並將字典及放入分詞器中。這裡一定要提一下，自訂的字典可以藉由 System.setProperty("mmseg.dic.path", "路徑"); 來指定，其中路徑若是相對路徑的話，是相對於專案資料夾的目錄，在上面的例子中，我故意將字典資料夾放在專案資料夾中的 data/mmseg_dic 路徑下，我們可以在其中放入多個字典檔，就可以使用多個字典. 再來我們要建構程式的斷詞核心部分，如下: 

view plaincopy to clipboardprint?

1. public String segWords(String txt, String wordSpilt) throws IOException {  
2.     Reader input = new StringReader(txt);  
3.     StringBuilder sb = new StringBuilder();  
4.     Seg seg = getSeg();  
5.     MMSeg mmSeg = new MMSeg(input, seg);  
6.     Word word = null;  
7.     boolean first = true;  
8.     while((word=mmSeg.next())!=null) {  
9.         if(!first) {  
10.             sb.append(wordSpilt);  
11.         }  
12.         String w = word.getString();  
13.         sb.append(w);  
14.         first = false;        
15.     }  
16.     return sb.toString();  
17. }  

這裡我們傳入一個字串與一個希望用來作為分隔的符號，接著使用MMSeg進行分詞，每個詞可以用.next()取得，最後把它變為字串回傳。main 方法以測試程式執行，如下： 

view plaincopy to clipboardprint?

1. public static void main(String args[]) throws Exception  
2. {  
3.     SegChinese seg = new SegChinese();  
4.     String txt = "這行文字是要被中文斷詞處理的文章，可以從執行結果看斷詞是否成功 莊圓大師";  
5.     System.out.println(seg.segWords(txt, " | "));  
6. }  

Supplement: 
* CKIP 中文斷詞系統