原文：
http://www.cnblogs.com/wgp13x/p/3748764.html
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。
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
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。
创建索引效果：
FieldValue内容：
京華时报ぼおえ2009年1月23日报道，뭄내ㅠㅛㅜ치ㅗ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、뭄내、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|뭄|내|ㅠ|ㅛ|ㅜ|치|ㅗ|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|뭄내ㅠㅛ|ㅜ|치|ㅗ|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|뭄내ㅠㅛ|ㅜ|치|ㅗ|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
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http://www.cnblogs.com/wgp13x/p/3742653.html”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。
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
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。
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|뭄내ㅠㅛ|ㅜ|치|ㅗ|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
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。
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
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。
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|，|뭄|내|ㅠ|ㅛ|ㅜ|치|ㅗ|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。
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。
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
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。
