想發布新版的 mmseg4j 到現在已經有二個多月了。主要是因為這段時間忙其它事情了。現 Lucene 2.9 發布了，solr 1.4 也應該會比較快就要發布了。對 mmseg4j 兼容新版的 lucene/solr 也是個任務。
現 mmseg4j 發布新版 1.8，可以下載：mmseg4j-1.8.zip 包括了源碼與詞庫，還有創建文件。下面說下此版的主要變更：
new:
1、有檢測詞典變更的接口，外部程序可以使用 wordsFileIsChange() 和 reload() 來完成檢測與加載的工作. (內部不實現自動檢測與加載，留給外部程序去做。)
2、添加 MMseg4jHandler 類，可以在solr中用url的方式來控制加載檢測詞庫。
3、增加 CutLetterDigitFilter過慮器，切分“字母和數”混在一起的過慮器。比如：mb991ch 切為 "mb 991 ch"。
changes:
1、默認在 classpath 中加載 data 目錄（詞庫目錄），找不到再找 user.dir/data 目錄。但是優先 mmseg.dic.path 系統屬性指定的。
2、新詞庫，去除 sogou 高頻無詞性的詞，合并 rmmseg 提供的詞（是 mmseg4j 1.0 使用的詞庫），共計（14W 多詞）。
3、數字或英文開頭的數字或英文不獨立分出。如 MB991CH/A 分為 mb991ch a，cq40-519tx 分為 CQ40 519TX
4、內置支持小寫，不需要 LowerCaseFilter 了。MMSegAnalyzer 去除了小寫過慮。
5、支持 solr 1.3/1.4、lucene 2.3/2.4/2.9
6、嘗試加載 jar 里的 words.dic，并構建含有 words.dic 的 jar(mmseg4j-*-with-dic.jar)。
bugs:
1、Dictionary 添加 finalize 方法。修正 tomcat reload 時 OOM 的 bug: http://code.google.com/p/mmseg4j/issues/detail?id=4
2、MMSegTokenizer 在 lucene 2.4 編譯的 在 lucene 2.9 中會報 java.lang.NoSuchFieldError: input。bug: http://code.google.com/p/mmseg4j/issues/detail?id=5
詳情：http://blog.chenlb.com/2009/10/chinese-segment-mmseg4j-1_8-release.html
posted on 2009-10-19 09:28
流浪汗 閱讀(3451)
評論(1) 編輯 收藏 所屬分類:
mmseg4j