ICTCLAS（Java）使用

初用中文分词，介绍ICTCLAS的用法：

1.软件准备：

http://www.ictclas.org/ictclas_download.aspx，此处使用win7 64bit

2.解压

子目录API中文件如下：

为避免eclipse添加原目录代码问题，直接将所有文件拷入自己的工程目录的src文件夹中。刷新eclipse即可。

动态链接问题，将dll文件拷至system32文件夹

3.测试代码

import java.io.UnsupportedEncodingException;

import ICTCLAS.I3S.AC.ICTCLAS50;


public class Test {

	/**
	 * @param args
	 */
	public static void main(String[] args) {
		try {
			ICTCLAS50 testIctclas50 = new ICTCLAS50();
			String argu = "src/";//原接口文档中此处为"."，在实际应用中应改为Configure.xml的文件夹目录

			if (testIctclas50.ICTCLAS_Init(argu.getBytes("gb2312"))==false) {
				System.out.println("fail");
				return;
			}else {
				System.out.println("success");
			}

			String input = "长春市长春药店";//此处为需要分词的语句
			byte nativeBytes[] = testIctclas50.ICTCLAS_ParagraphProcess(input.getBytes("utf-8"), 0, 0);//最后一个参数控制是否显示词性
			System.out.println(nativeBytes.length);
			String nativeStr = new String(nativeBytes, 0, nativeBytes.length,"utf-8");
			System.out.println(nativeStr);//分词结果，token以空格分割
			testIctclas50.ICTCLAS_Exit();
		} catch (UnsupportedEncodingException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}

}

3.输出

4.添加自定义词典

代码与上面基本保持一致，在初始化之后分词之前添加词典

			int nCount = 0;
			String usrdir = "usrdir.txt"; //用户字典路径
			byte[] usrdirb = usrdir.getBytes();
	//第一个参数为用户字典路径，第二个参数为用户字典的编码类型(0:type unknown;1:ASCII码;2:GB2312,GBK,GB10380;3:UTF-8;4:BIG5)
			nCount = testIctclas50.ICTCLAS_ImportUserDictFile(usrdirb, 3);//此处函数与接口文档中不同，注意
			System.out.println("导入用户词个数"+ nCount);
			nCount = 0;

5.用户词典

如图，每行一个词，@@之后为词性，可参见软件中的词性标注集，如无词性需要，每行一个词即可。

6.总结

ICTCLAS号称可以识别人名，发现在部分情况下可以识别，最好还是自己添加词典，确保在任何句式中可以发现，不足的是未找到如何添加停用词，这点稍逊于IK分词