一 背景
最近做个跟搜索有关的需求，分词工具的有很多，Java实现的ansj就比较好，是孙健大神开源的。功能很强大，这里暂时只用到了分词，也试过关键词统计。它支持自定义词典分词，对于歧义词分词，还支持通过歧义词典纠偏。
二 使用
pom.xml引入
<dependency>
<groupId>org.ansj</groupId>
<artifactId>ansj_seg</artifactId>
<version>5.1.6</version>
</dependency>词典配置
dic文件放在library文件夹下，或者resource下，这个是根据你工程情况来使用的。
以我自己项目为为例子，放在resource本地跑没问题，但是是springboot工程，上线会打成jar包，Java读取jar里面的文件就会异常，提示初始化路径错误，所以我就指向一个绝对路径了。
我使用的词典命名为：ambiguity.dic（歧义字典）userLibrary.dic（自定义词典），名字无要求，初始化需要指定。
Ansj目前支持以下的公户自定义词典的操作方式.
- 从文件中加载词典
- 配置文件
- 编码路径
- 从内存操作词典
- 增加
- 删除
- 修改
官网的文档可能旧点了。之前网上别人使用的UserDefineLibrary这样一个类再5.1.6没有了。所以你可以这样
Forest forest= Library.makeForest(NLPAnsj.class.getResourceAsStream("/library/userLibrary.dic"));//加载字典文件
Result result= NlpAnalysis.parse(str, forest);
也可以这种：
MyStaticValue.ENV.put(AmbiguityLibrary.DEFAULT, "/Users/data/ambiguity.dic");
Result splitWordRes = DicAnalysis.parse(query);
List<String> wordList = new ArrayList<String>();
System.out.println(JSON.toJSON(splitWordRes));下面这种就是优先使用词典分词。
三 歧义词典
举个例子：对于“三叉神经痛和面肌痉挛”
如果使用默认的分词。就是：
{"terms":[{"realName":"三叉神经痛","offe":0,"natureStr":"userDefine","newWord":false,"name":"三叉神经痛"},{"realName":"和面","offe":5,"natureStr":"v","newWord":false,"name":"和面"},{"realName":"肌","offe":7,"natureStr":"ng","newWord":false,"name":"肌"},{"realName":"痉挛","offe":8,"natureStr":"vn","newWord":false,"name":"痉挛"}]}
达不到我们认为的吧面肌痉挛拆出来的效果。所以要使用歧义词典来纠正，纠正就是在歧义词典改变词性：
把“面肌痉挛”定义为一个词，而不是“和面”。纠正后效果：
{"terms":[{"realName":"三叉神经痛","offe":0,"natureStr":"userDefine","newWord":false,"name":"三叉神经痛"},{"realName":"和","offe":5,"natureStr":"c","newWord":false,"name":"和"},{"realName":"面肌痉挛","offe":6,"natureStr":"userDefine","newWord":false,"name":"面肌痉挛"}]}
再次推荐下官网： http://nlpchina.github.io/ansj_seg/
相关词性：
汉语文本词性标注标记集
# 1. 名词 (1个一类，7个二类，5个三类)
名词分为以下子类：
n 名词
nr 人名
nr1 汉语姓氏
nr2 汉语名字
nrj 日语人名
nrf 音译人名
ns 地名
nsf 音译地名
nt 机构团体名
nz 其它专名
nl 名词性惯用语
ng 名词性语素
nw 新词
# 2. 时间词(1个一类，1个二类)
t 时间词
tg 时间词性语素
# 3. 处所词(1个一类)
s 处所词
# 4. 方位词(1个一类)
f 方位词
# 5. 动词(1个一类，9个二类)
v 动词
vd 副动词
vn 名动词
vshi 动词“是”
vyou 动词“有”
vf 趋向动词
vx 形式动词
vi 不及物动词（内动词）
vl 动词性惯用语
vg 动词性语素
# 6. 形容词(1个一类，4个二类)
a 形容词
ad 副形词
an 名形词
ag 形容词性语素
al 形容词性惯用语
# 7. 区别词(1个一类，2个二类)
b 区别词
bl 区别词性惯用语
# 8. 状态词(1个一类)
z 状态词
# 9. 代词(1个一类，4个二类，6个三类)
r 代词
rr 人称代词
rz 指示代词
rzt 时间指示代词
rzs 处所指示代词
rzv 谓词性指示代词
ry 疑问代词
ryt 时间疑问代词
rys 处所疑问代词
ryv 谓词性疑问代词
rg 代词性语素
# 10. 数词(1个一类，1个二类)
m 数词
mq 数量词
# 11. 量词(1个一类，2个二类)
q 量词
qv 动量词
qt 时量词
# 12. 副词(1个一类)
d 副词
# 13. 介词(1个一类，2个二类)
p 介词
pba 介词“把”
pbei 介词“被”
# 14. 连词(1个一类，1个二类)
c 连词
cc 并列连词
# 15. 助词(1个一类，15个二类)
u 助词
uzhe 着
ule 了 喽
uguo 过
ude1 的 底
ude2 地
ude3 得
usuo 所
udeng 等 等等 云云
uyy 一样 一般 似的 般
udh 的话
uls 来讲 来说 而言 说来
uzhi 之
ulian 连 （“连小学生都会”）
# 16. 叹词(1个一类)
e 叹词
# 17. 语气词(1个一类)
y 语气词(delete yg)
# 18. 拟声词(1个一类)
o 拟声词
# 19. 前缀(1个一类)
h 前缀
# 20. 后缀(1个一类)
k 后缀
# 21. 字符串(1个一类，2个二类)
x 字符串
xx 非语素字
xu 网址URL
# 22. 标点符号(1个一类，16个二类)
w 标点符号
wkz 左括号，全角：（ 〔 ［ ｛ 《 【 〖〈 半角：( [ { <
wky 右括号，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >
wyz 左引号，全角：“ ‘ 『
wyy 右引号，全角：” ’ 』
wj 句号，全角：。
ww 问号，全角：？ 半角：?
wt 叹号，全角：！ 半角：!
wd 逗号，全角：， 半角：,
wf 分号，全角：； 半角： ;
wn 顿号，全角：、
wm 冒号，全角：： 半角： :
ws 省略号，全角：…… …
wp 破折号，全角：—— －－ ——－ 半角：--- ----
wb 百分号千分号，全角：％ ‰ 半角：%
wh 单位符号，全角：￥ ＄ ￡ ° ℃ 半角：$