mmseg4j分词器

1、用 Chih-Hao Tsai 的 MMSeg 算法(http://technology.chtsai.org/mmseg/)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。

2、MMSeg 算法有两种分词方法：Simple和Complex，都是基于正向最大匹配。Complex 加了四个规则过虑。官方说：词语的正确识别率达到了 98.41%。

3、在 com.chenlb.mmseg4j.example包里的类示例了两种分词效果。

4、在 com.chenlb.mmseg4j.analysis包里扩展lucene analyzer。MMSegAnalyzer默认使用complex方式分词。

5、在 com.chenlb.mmseg4j.solr包里扩展solr tokenizerFactory。
在 solr的 schema.xml 中定义 field type如：
<fieldType name="textComplex" class="solr.TextField" >
<analyzer>
<tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" dicPath="dic"/>
</analyzer>
</fieldType>
<fieldType name="textSimple" class="solr.TextField" >
<analyzer>
<tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="simple" dicPath="my_dic"/>
</analyzer>
</fieldType>

dicPath 指定词库位置（每个MMSegTokenizerFactory可以指定不同的目录，当是相对目录时，是相对 solr.home 的目录），mode 指定分词模式（simple|complex，默认是complex）。

6、运行，词典用mmseg.dic.path属性指定或在当前目录下的data目录，默认是 ./data 目录。
java -Dmmseg.dic.path=./data -jar mmseg4j-1.0.jar 这里是字符串
或
java -cp .;mmseg4j-1.0.jar com.chenlb.mmseg4j.example.Simple 这里是字符串

7、一些字符的处理
英文、俄文、希腊、数字（包括①㈠⒈）的分出一连串的。目前版本没有处理小数字问题
如ⅠⅡⅢ是单字分，字库(chars.dic)中没找到也单字分。

8、词库：
* data/chars.dic 是单字与语料中的频率，一般不用改动。
* data/words.dic 是词库文件，一行一词，当然你也可以使用自己的，也可以使用 sogou 词库，目录是 rmmseg 带的词库。