如何使用Hanlp加载大字典

 

 

问题

因为需要加载一个 近 1G 的字典到Hanlp中，一开始使用了CustomDictionay.add() 方法来一条条的加载，果然到了中间，维护DoubleArraTre 的成本太高，添加一个节点，都会很长时间，本来时间长一点没有关系，只要训练出.bin 的文件，第二次加载就会很快，然而作为以空间换时间的DAT结构，内存消耗很大，预料之内的出现了

1   out of memory: heap size

的问题。后来尝试直接加载了1G 的字典，显然更不行。

思路

阅读了Hanlp的部分源码，也请教了原作者一部分问题，就打算从源码入手。初步想法大概是将原始字典 split 成多份，然后分别将多份的小字典 训练成 多个小的.bin 文件，再完整的加载到内存中，基于的原则则是：加载两个10M的字典的消耗比一个20M的要小。

然后又优化了一部分，现在加载一个大概1G的字典，占内存约3g+ ，已经可以使用了。

大概流程

1 修改　CustomDictionary.java　设置一个 hashmap　或者 一个 list 来存储所有的小Dat

2 将所有的dat加载完，这里就不再区分主副字典了。

3 修改Segment.java里面的combineByCustomDictionary 函数，源码中只有一个dat， 这里我们需要选择我们容器中其中某一个dat作为要匹配使用，之前使用的方案是，遍历所有的dat，知道有了匹配，但是这样缺陷很明显，解决不了多个字典匹配同一个词的字串的情况，这里我的考察方案是，字典中的同一个字开始的词条映射到同一个文件，这样不会出现字串问题了。

以上就是个大概的修改，可以参考。

---------------------

作者：ShomyLiu

原文：https://blog.csdn.net/shomy_liu/article/details/49896001