我們收集了一些資訊。和學生在一起的簡單測試，例如下面的摘要。
字工作 具 特點
支援語言 原理
詞典及擴充套件性
standardanalyzer
中文、英文（unicode
）中文：單字元切分
英文：依據空格切分
chineseanalyzer
中文，不支援中文和英文及數字混合的文字分詞 按字
分詞,與
standardanalyzer
對中文的分詞沒有大的差別
cjkanalyzer
中文，英文。
不支援中文和英文及數字混合的文字分詞
採用的雙字切分，也就是對一段文字按每兩個字來進行切分
ikanalyzer
英文本母、數字、中文詞彙等分詞處理，相容韓文、日文字元
正向迭代最細粒度切分演算法(詞典
+文法分析） 收錄
27萬中文詞彙，
支援使用者詞典擴充套件定義、支援自己定義停止詞
paoding 中文
支援不限制個數的使用者自己定義詞庫
mmanalyzer
支援英文、數字、中文（簡體）混合分詞
正向最大匹配演算法
支援動態擴充套件
mmseg4j
中文，包含
一些字元的處理 英文、俄文、希臘、數字（包含①㈠⒈
）的分出一連串的。眼下版本號沒有處理小數字問題
用 chih-hao tsai
的 mmseg 演算法。
mmseg 演算法有兩種分詞方法：
******
和complex
，都是基於正向最大匹配。在
complex
基礎上實現了最多分詞
(max-word)
強制使用 utf-8)
使用sougou詞庫，也
可自己定義覆蓋
imdict
中文、英文、數字
隱馬爾科夫模型
僅coredict
核心字典、
bigramdict
詞典。不含人名、地名詞典。
不支援自己定義詞典
分詞工具
特點 速度
文件完整性 大小
lucene版本號備註
standardanalyzer
chineseanalyzer
lucene contrib中附帶的分析器
cjkanalyzer
lucene contrib中附帶的二元分詞
ikanalyzer
3.2.8
83 萬字/秒（
1600kb/s）具體
2.62mb
lucene2.9、
lucene3.0
支援細粒度和最大詞長兩種切分模式
paoding
100萬字/秒
差點兒無
1.3mb
lucene3.0
mmanalyzer
第一次分詞須要1－2
秒（讀取詞典），之後速度基本與
lucene
自帶分詞持平 ，
不提供維護和支援
記憶體消耗30m+
lucene 1.9到
2.4之間
mmseg4j
complex 1200kb/s左右
, ****** 1900kb/s左右
mmseg 演算法是英文的。但原理比較簡單。實現也比較清晰。
記憶體開銷了50m左右
mmseg4j 1.8.3 僅僅支援
lucene 2.9/3.0
介面 。
mmseg4j 1.8.5
支援 lucene 3.1
。imdict
259517字/秒
較全 詞典大小7.26mb
lucene2.9直接收錄
分詞效果演示：
消歧義效果：
分詞工具 效果
張三買了張三角桌
南京市長江大橋
standardanalyzer 張
|三|買
|了|張
|三|角
|桌 南|
京|市|
長|江|
大|橋chineseanalyzer 張
|三|買
|了|張
|三|角
|桌 南
|京|市
|長|江
|大|橋
cjkanalyzer 張三
|三買|買了
|了張|張三
|三角|角桌
南京|京市
|市長|長江
|江大|大橋
ikanalyzer
最大詞長 張三
|買了|張三
|三角|桌
南京市|市長
|長江大橋
最細粒度 張三
|三|買了
|張三|三角
|三|角
|桌南京市|南京
|市長|長江大橋|長江
|大橋paoding 張三
|買了|張三
|三角|桌 南
|南京|南京市|長
|市長|長江
|大 |大橋
mmanalyzer 張三
|買了|張三角|桌
南京市|長江大橋
mmseg4j
******seg 張三
|買了|張三
|角|桌
南京市|長江大橋
complexseg 張三
|買了|張三
|角|桌
南京市|長江大橋
imdict 張
|三|買
|了|張
|三|三角
|桌南京市|長江
|大橋數字、英文混合分詞效果：
分詞工具 效果
我的qq號是
******
standardanalyzer 我
|的|qq
|號|是
|******
chineseanalyzer 我
|的|qq
|號|是
cjkanalyzer 我的
|qq|號
|是|******
ikanalyzer ik
我|的|qq|號
|是|******
mik 我
|的|qq
|號|是
|******
mmanalyzer 我的
|qq|號
|是|******
mmseg4j
******seg 我的
|qq|號
|是|******
complexseg 我的
|qq|號
|是|******
paoding 我
的|qq|
號|******
imdict 我
|的|qq
|號碼|******
幾種開源分詞工具的比較
蒐集了一些資料，與同學一起進行了簡單的測試，總結如下。分詞工 具 特點 支援語言 原理 詞典及擴充套件性 standardanalyzer 中文 英文 unicode 中文 單字元切分 英文 根據空格切分 chineseanalyzer 中文，不支援中文和英文及數字混合的文字分詞 按字 分詞,與 s...
幾種開源分詞工具的比較
蒐集了一些資料，與同學一起進行了簡單的測試，總結例如以下。分詞工 具 特點 支援語言 原理 詞典及擴充套件性 standardanalyzer 中文 英文 unicode 中文 單字元切分 英文 依據空格切分 chineseanalyzer 中文，不支援中文和英文及數字混合的文字分詞 按字 分詞,與...
幾種開源分詞工具的比較
蒐集了一些資料，與同學一起進行了簡單的測試，總結例如以下。分詞工 具 特點 支援語言 原理 詞典及擴充套件性 standardanalyzer 中文 英文 unicode 中文 單字元切分 英文 依據空格切分 chineseanalyzer 中文，不支援中文和英文及數字混合的文字分詞 按字 分詞,與...