ICTCLAS20160405分词系统调试过程

一、前期准备：

1、下载最新版本的资源包：CTCLAS20160405171043_ICTCLAS2016分词系统下载包

2、下载最新版本的licence：https://github.com/NLPIR-team/NLPIR/tree/master/License

二、调试程序

1、将JnaTest_NLPIR工程工程导入到MyEclipse。

2、修改NLPIR目录

　　这个与操作系统有关，在汉语分词20140928lib操作系统目录下。我的是win7 64bit，所以在汉语分词20140928libwin64目录下。写路径的时候注意特殊字符的转义，而且windows路径是反斜杠“”，注意改成形如这样：“E://test//汉语分词20140928//lib//win64//NLPIR”，文件名不加后缀名。

3、修改Data文件夹目录

　　String argu = new File("").getAbsolutePath(); //Data文件夹在工程目录下

　　Data文件不在工程目录下，写路径要注意编码问题，我程序设置的系统编码是GBK，但是工程的编码设置的是utf-8，打印出来就能看出来路径中的中文都是乱码，当然会导致无法加载类或者是找不到配置文件。将所有设置编码的地方都设置成一样的编码，保证不会有错。工程的编码可以是utf-8，只要程序中所有地方都引用同一个系统编码就可以。

　　我第二次做这个实验鬼抽风般File("").getAbsolutePath();得到的是乱码(没有中文也有乱码)。还是IDE的编码设置等和其他一些编码设置问题，这个我实在是郁闷了。new File("").getAbsolutePath().getBytes("GBK")也许有效~我设置了工程的编码是GBK，但是打开工程文件.project是里面写了utf-8，我不清楚这有没有关系，实在不行，用命令行调试吧。

三、运行程序

　　如果你运气够好，没有出现什么幺蛾子，没有乱改程序，这时程序就可以正常运行了。

　　运行结果：

　　分词结果为：据悉/v ，/wd 质检/vn 总局/n 已/d 将/d 最新/a 有关/vn 情况/n 再次/d 通报/v 美方/n ，/wd 要求/v 美方/n 加强/v 对/p 输/v 华/b 玉米/n 的/ude1 产地/n 来源/n 、/wn 运输/vn 及/cc 仓储/vn 等/udeng 环节/n 的/ude1 管/v 控/v 措施/n ，/wd 有效/ad 避免/v 输/v 华/b 玉米/n 被/pbei 未经/d 我国/n 农业部/nt 安全/an 评估/vn 并/cc 批准/v 的/ude1 转基因/n 品系/n 污染/vn 。/wj
　　关键词提取结果是：农业部#评估#仓储#污染#

　　如果你像我一样乱改了程序或者运气实在太差，sorry，你可能初始化失败。初始化失败的原因可能有：

　　1、licence过期。解决办法是下载最新的licence和修改系统时间。

　　2、无法找到Configure.xml。可能你有个地方乱改字符集或者字符集代码。请检查所有设置字符集的地方N遍。我在初始化ICTCLAS_Init时，将new File("").getAbsolutePath().getBytes("字符集")作为参数传递就可以正确运行了。

　　3、其他错误请参见错误日志的输出。

四、分析其他文件

1、字符流缓冲类输入输出文件

 1 File file = new File("文件路径");
 2 FileReader fileReader = new FileReader(file);
 3 BufferedReader bufferedReader = new BufferedReader(fileReader);
 4 String sInput = bufferedReader.readLine();
 5 File outFile = new File("输出结果路径+输出结果.txt");
 6 FileWriter fileWiter = new FileWriter(outFile);
 7 BufferedWriter bufferedWriter = new BufferedWriter(fileWiter);
 8 while((sInput = bufferedReader.readLine())!=null){
 9 　String nativeBytes = null;
10 　try {
11 　　nativeBytes = CLibrary.Instance.NLPIR_ParagraphProcess(sInput, 3);
12 　　// String nativeStr = new String(nativeBytes, 0,
13 　　// nativeBytes.length,"utf-8");
14 　　//System.out.println("分词结果为： " + nativeBytes);
15 　　System.out.println("分词结果为： "+ transString(nativeBytes, system_charset, "GBK"));
16 　　bufferedWriter.write("分词结果为： "+ transString(nativeBytes, system_charset, "GBK"));
17 　　bufferedWriter.write("
");
18       int nCountKey = 0;
19 　　String nativeByte = CLibrary.Instance.NLPIR_GetKeyWords(sInput, 10,false);
20       System.out.println("关键词提取结果是：" + nativeByte);
21 　　bufferedWriter.write("关键词提取结果是：" + nativeByte);
22 　　bufferedWriter.write("
");
23 　　} catch (Exception ex) {
24 　　　　// TODO Auto-generated catch block
25 　　　　ex.printStackTrace();
26 　　}
27 }

　　记得关闭bufferedWriter。

2、找一篇文章存为txt格式，进行分词和关键词提取。

　　到此为止我终于调试好了分词系统，中英文都很有效。文件也差不多看了，只是.dll里面不知道写了什么。能做到这里我已经很开心了，下篇我将按照说明做hadoop使用分词实例。