Ubuntu下Java调用IKAnalyzer中文分词程序失效

庖丁解牛等其它中文分词程序比较后发现，IKAnalyzer的中文分词效果好，程序调用简单。所以采用IKAnalyzer作为我们中文分词的程序。

调用IKAnalyzer来进行中文分词的代码十分简单：

代码如下

复制代码

/**
* 传入一个中文语句，返回一个List列表，列表中的每一个元素是一个String类型的分词之后的中文词组
*/
public static ArrayList<String> testJe(String testString) throws Exception {
        ArrayList<String> tokenList = new ArrayList<String>();
        Analyzer analyzer = new IK_CAnalyzer();

        Reader r = new StringReader(testString);
        TokenStream ts = (TokenStream) analyzer.tokenStream("", r);
        Token t;
        while ((t = ts.next()) != null) {
            tokenList.add(t.termText());
             System.out.println(t.termText());
        }
        return tokenList;
    }

这段代码如果是在Windows下使用Eclipse来执行，或许能够很好地进行中文分词，但是当你把程序放在Linux下，例如Ubuntu下运行时，可能就会发现这个Java中文分词程序突然“失效”了。这是由于IKAnalyzer1.4采用了GBK的本地编码来存储字典，而linux环境，例如Ubuntu默认字符编码是UTF-8，这就会常常造成在Linux和Unix环境下字典载入乱码，从而使分词失败。

解决办法有2个：
1、将字典目录下的dic文件，在Windows环境下使用jdk的nativetoascii.exe将格式从GBK转化成UTF-8；
2、修改Dictionary类中所有的字典load方法，将InputStreamReader中的编码修改为“UTF-8”；

其中第一个解决办法最为简单，具体步骤如下：1、对着IKAnalyzer1.4.jar点击右键，将IKAnalyzer1.4.jar解压到本地，进入orgmiraluceneanalysisdict目录下，发现有4个文件，用文本编辑器打开，然后用UTF-8格式“另存为”来进行重新存储，覆盖原来的文件；
2、将解压的文件重新使用zip格式进行压缩。需要注意的是，最顶层目录应该是org和META-INF；
3、将后缀名zip改为jar即可。

然后使用新的jar替换原来的IKAnalyzer1.4.jar即可在Ubuntu下正常使用这个Java中文分词程序了。

另外，如果你打算使用Ubuntu的Cron来定时执行这个java中文分词程序，可能又会发现中文分词程序失效，这是因为Linux下的Cron环境变量可能与普通用户登录进去之后的环境变量不太一样，因此还是由于默认的字符集不同，造成了程序无法正常进行中文分词。解决办法如下，在脚本中显式地指明字符集为UTF-8：

代码如下	复制代码
#! /bin/bash . /home/wangzhongyuan/.profile LANG=zh_CN.UTF-8 LC_ALL=zh_CN.UTF-8 export LANG LC_ALL

然后就可以在脚本中在调用java程序，就能够使用Ubuntu的Cron来定时执行这个中文分词程序了。

补充：Jsp教程,Java基础