摘要：本篇是本人在Solr的基础上，配置了中文分词器，并对其进行的性能测试总结，具体包括
使用mmseg4j、IKAnalyzer、Ansj，分别从创建索引效果、创建索引性能、数据搜索效率等方面进行衡量。
具体的Solr使用方法假设读者已有了基础，关于Solr的性能指标见前期的Solr博文。
前提：
Solr提供了一整套的数据检索方案，一台四核CPU、16G内存的机器，千兆网络。
需求：
1、对Solr创建索引的效率有一定的要求。
2、中文分词速度要快，搜索速度也要快。
3、中文分词准确率有一定的要求。
说明：
以下是在Solr上分别配置不同的中文分词器，它们之间的比较。
1. 中文分词
1.1 中文分词器概述
名称 |
最近更新 |
速度(网上情报) |
扩展性支持、其它 |
|
mmseg4j |
2013 |
complex 60W字/s (1200 KB/s) simple 100W字/s (1900 KB/s) |
使用sougou词库，也可自定义 (complex\simple\MaxWord) |
|
IKAnalyzer |
2012 |
IK2012 160W字/s (3000KB/s) |
支持用户词典扩展定义、支持自定义停止词 (智能\细粒度) |
|
Ansj |
2014 |
BaseAnalysis 300W字/s hlAnalysis 40W字/s |
支持用户自定义词典，可以分析出词性，有新词发现功能 |
|
paoding |
2008 |
100W字/s |
支持不限制个数的用户自定义词库 |
l 注意：
中文分词器可能与最新版本Lucene不兼容，配置好运行时出现TokenStream contractviolation错误，对于mmseg4j需要更改com.chenlb.mmseg4j.analysis.MMSegTokenizer源码，添加super.reset()在reset()内，重新编译后替换原jar。
1.2 mmseg4j
l 创建索引效果：
|
FieldValue内容： |
|
京華时报ぼおえ2009年1月23日报道，???????受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度celsius degree，同时伴有6到7级的偏北风。 |
|
在词库中补充： |
|
京華、??、ぼおえ、受一股来 |
类型 |
结果 |
|
textMaxWord |
京華|时报|ぼ|お|え|2009|年|1|月|23|日|报道|?|?|?|?|?|?|?|受|一股|来|自|中|西|伯|利|亚|的|强|冷|空气|影响|本市|出现|大风|降温|天气|白天|最高|气温|只有|零下|7|摄氏|度|celsius|degree|同时|伴有|6|到|7|级|的|偏|北风 |
|
textComplex |
京華|时报|ぼおえ|2009|年|1|月|23|日|报道|????|?|?|?|受一股来|自|中|西伯利亚|的|强|冷空气|影响|本市|出现|大风|降温|天气|白天|最高气温|只有|零下|7|摄氏度|celsius|degree|同时|伴有|6|到|7|级|的|偏|北风 |
|
textSimple |
京華|时报|ぼおえ|2009|年|1|月|23|日|报道|????|?|?|?|受一股来|自|中西|伯|利|亚|的|强|冷空气|影响|本市|出现|大风|降温|天气|白天|最高气温|只有|零下|7|摄氏度|celsius|degree|同时|伴有|6|到|7|级|的|偏|北风 |
l 创建索引效率：
17个各种类型字段，在solr博文中字段基础上，选一空string类型字段改为新类型，并写入文本内容（原纯文本Size约为400B，SolrInputDocument对象Size约为1130B）。
文本内容以词库中任选20词拼成的句子，每词大约3字，一句大约60字。
总数据量为2000W条数据，与2.2节相同配置。
|
字段类型 |
创建时间(s) |
索引大小(GB) |
网络(MB/s) |
速率(W条/s) |
|
textMaxWord |
3115 |
4.95 |
6.0 |
0.64 (38W字/s) |
|
textComplex |
4860 |
4.3 |
5.0 |
0.41 (25W字/s) |
|
textSimple |
3027 |
4.32 |
6.5 |
0.66 (40W字/s) |
|
string |
2350 |
9.08 |
8.0 |
0.85 (57W字/s) |
速度：在与“solr博文”中1.2节相同配置的情况下，分词索引创建速度要差于不使用分词的。
大小：分词索引大小要小于不使用分词的，经测试分词字段配置成autoGeneratePhraseQueries="false"对索引大小几乎没有影响。
l 数据搜索效率：
文本内容以词库中任选20词拼成的句子，每词大约3字，一句大约60字，总数据量为2000W条数据。
|
字段类型 |
关键词 |
搜索时间(ms) |
结果(条) |
|
textMaxWord |
一不做二不休 |
180 |
2556 |
|
textComplex |
一不做二不休 |
59 |
2648 |
|
textSimple |
一不做二不休 |
62 |
2622 |
|
string |
*一不做二不休* |
20000 |
2689 |
|
textMaxWord |
一个国家两种制度 |
22 |
2620 |
|
textComplex |
一个国家两种制度 |
12 |
2687 |
|
textSimple |
一个国家两种制度 |
10 |
2670 |
|
string |
*一个国家两种制度* |
15500 |
2657 |
|
textMaxWord |
一些 |
24 |
15999 |
|
textComplex |
一些 |
11 |
2687 |
|
textSimple |
一些 |
9 |
2665 |
|
string |
*一些* |
14200 |
15758 |
|
textMaxWord |
转辗反侧 |
15 |
2622 |
|
textComplex |
转辗反侧 |
5 |
2632 |
|
textSimple |
转辗反侧 |
9 |
2676 |
|
string |
*转辗反侧* |
15600 |
2665 |
l 补充：
对于非中文、数字、英文词汇，包括繁体字，在词典中加入新词汇即可。
mmseg4j对于“都是先从容易的做起”，不能把“容易”分出来，分词结果为“都是|先|从容|易|的|做起”。
网上推荐使用textMaxWord类型分词。
1.3 IKAnalyzer
l 创建索引效果：
FieldValue内容、在词库中补充均同1.2。
分词字段配置autoGeneratePhraseQueries="false"
类型 |
结果 |
|
细粒度 |
京華|时报|ぼおえ|2009|年|1|月|23|日报|日|报道|????|?|?|?|受一股来|一股|一|股|来自|中西|西伯利亚|西伯|伯利|亚|的|强冷空气|冷空气|空气|影响|本市|出现|大风|降温|天气|白天|最高|高气|气温|只有|有|零下|零|下|7|摄氏度|摄氏|度|celsius|degree|同时|伴有|有|6|到|7|级|的|偏北风|偏北|北风 |
l
创建索引效率：
|
字段类型 |
创建时间(s) |
索引大小(GB) |
网络(MB/s) |
速率(W条/s) |
|
细粒度 |
3584 |
5.06 |
6.0 |
0.56 (33W字/s) |
速度：与1.2比较，分词索引创建速度要略差于使用mmseg4j分词的。
大小：分词索引大小要略大于使用mmseg4j分词的。
l 数据搜索效率：
|
字段类型 |
关键词 |
搜索时间(ms) |
结果(条) |
|
细粒度 |
一不做二不休 |
400 |
5949255 |
|
细粒度 |
一个国家两种制度 |
500 |
6558449 |
|
细粒度 |
一些 |
300 |
5312103 |
|
细粒度 |
转辗反侧 |
15 |
10588 |
l 补充：
mmseg4j中textMaxWord，“一不做二不休”被分为：一|不做|二不|不休；
IKAnalyzer中细粒度，“一不做二不休”被分为：一不做二不休|一|不做|二不休|二|不休；
因此同样使用autoGeneratePhraseQueries="false"，“一不做二不休”搜索，IKAnalyzer搜索出来的结果要远多于mmseg4j。
1.4 Ansj
l 创建索引效果：
FieldValue内容同1.2，没有补充词库。
<fieldType name="text_ansj"class="solr.TextField">
<analyzertype="index">
<tokenizerclass="org.ansj.solr.AnsjTokenizerFactory"
conf="ansj.conf"rmPunc="true"/>
</analyzer>
<analyzertype="query">
<tokenizerclass="org.ansj.solr.AnsjTokenizerFactory"
analysisType="1"rmPunc="true"/>
</analyzer>
</fieldType>
结果 |
|
京华|时报|ぼ|お|え|2009年|1月|23日|报道|，|?|?|?|?|?|?|?|受|一股|来自|中|西伯利亚|的|强|强冷空气|冷空气|影响|，|本市|出现|大风|降温|天气|，|白天|最高|气温|只|只有|有|零下|7摄氏度|摄氏|摄氏度|celsius||degree|，|同时|伴|伴有|有|6|到|7级|的|偏|偏北风|北风|。 |
“京華”二字被分词后变成了“京华”，据朋友介绍，它有将生僻字改字的Bug。
l
创建索引效率：
|
字段类型 |
创建时间(s) |
索引大小(GB) |
网络(MB/s) |
速率(W条/s) |
|
细粒度 |
3815 |
5.76 |
5.2 |
0.52 (31W字/s) |
速度：与1.2、1.3比较，分词索引创建速度要略差于使用mmseg4j、IKAnalyzer分词的。
大小：分词索引大小要略大于使用mmseg4j、IKAnalyzer分词的。
l 数据搜索效率：
|
关键词 |
搜索时间(ms) |
结果(条) |
|
一不做二不休 |
200 |
2478 |
|
一个国家两种制度 |
15 |
0 |
|
一些 |
25 |
15665 |
|
转辗反侧 |
6 |
2655 |
1.5 总结
按分词后的结果进行搜索，若在分词字段配置autoGeneratePhraseQueries="false"，则是搜索条件先分词，再使用分词在结果中搜索，默认的是true。autoGeneratePhraseQueries="false"对创建索引速度没影响，对搜索结果有影响。也可以修改Solr的QueryPasser，对于输入的一个字符串，先进行相应分词，再使用分词结果在索引集中搜索。
精确或模糊*搜索，都是以词为单位搜索。精确搜索是指返回所有包含分词的结果。
分词器能对word、letter、digit等进行识别。
对于不使用分词的String类型进行搜索，只能通过模糊搜索*，搜到连字，以字为单位搜索。
在分词索引内搜索，速度较快；不分词，需要遍历所有文档，速度较慢。
如果需要分词的话，那分词速度是主要瓶颈。
综合考虑，mmseg4j是首选的中文分词器。
如有需要具体的测试代码，可以跟本人联系。
中文分词器性能比较