热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

Lucene系列四:Lucene提供的分词器、IKAnalyze中文分词器集成、扩展IKAnalyzer的停用词和新词

一、Lucene提供的分词器StandardAnalyzer和SmartChineseAnalyzer1.新建一个测试Lucene提供的分词器的maven项目LuceneAnal

一、Lucene提供的分词器StandardAnalyzer和SmartChineseAnalyzer

1.新建一个测试Lucene提供的分词器的maven项目LuceneAnalyzer

2. 在pom.xml里面引入如下依赖


<dependency><groupId>org.apache.lucenegroupId><artifactId>lucene-coreartifactId><version>7.3.0version>dependency><dependency><groupId>org.apache.lucenegroupId><artifactId>lucene-analyzers-smartcnartifactId><version>7.3.0version>dependency>

 3. 新建一个标准分词器StandardAnalyzer的测试类LuceneStandardAnalyzerTest


package com.luceneanalyzer.use.standardanalyzer;import java.io.IOException;import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;/*** Lucene core模块中的 StandardAnalyzer英文分词器使用* 英文分词效果好&#xff0c;中文分词效果不好* &#64;author THINKPAD**/
public class LuceneStandardAnalyzerTest {private static void doToken(TokenStream ts) throws IOException {ts.reset();CharTermAttribute cta &#61; ts.getAttribute(CharTermAttribute.class);while (ts.incrementToken()) {System.out.print(cta.toString() &#43; "|");}System.out.println();ts.end();ts.close();}public static void main(String[] args) throws IOException {String etext &#61; "Analysis is one of the main causes of slow indexing. Simply put, the more you analyze the slower analyze the indexing (in most cases).";String chineseText &#61; "张三说的确实在理。";// Lucene core模块中的 StandardAnalyzer 英文分词器try (Analyzer ana &#61; new StandardAnalyzer();) {TokenStream ts &#61; ana.tokenStream("coent", etext);System.out.println("标准分词器&#xff0c;英文分词效果&#xff1a;");doToken(ts);ts &#61; ana.tokenStream("content", chineseText);System.out.println("标准分词器&#xff0c;中文分词效果&#xff1a;");doToken(ts);} catch (IOException e) {}}
}

 运行效果&#xff1a;


标准分词器&#xff0c;英文分词效果&#xff1a;
analysis
|one|main|causes|slow|indexing|simply|put|more|you|analyze|slower|analyze|indexing|most|cases|
标准分词器&#xff0c;中文分词效果&#xff1a;
|三|说|的|确|实|在|理|

 4. 新建一个Lucene提供的中文分词器SmartChineseAnalyzer的测试类


package com.luceneanalyzer.use.smartchineseanalyzer;import java.io.IOException;import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;/*** Lucene提供的中文分词器模块&#xff0c;lucene-analyzers-smartcn:Lucene 的中文分词器 SmartChineseAnalyzer* 中英文分词效果都不好* * &#64;author THINKPAD**/
public class LuceneSmartChineseAnalyzerTest {private static void doToken(TokenStream ts) throws IOException {ts.reset();CharTermAttribute cta &#61; ts.getAttribute(CharTermAttribute.class);while (ts.incrementToken()) {System.out.print(cta.toString() &#43; "|");}System.out.println();ts.end();ts.close();}public static void main(String[] args) throws IOException {String etext &#61; "Analysis is one of the main causes of slow indexing. Simply put, the more you analyze the slower analyze the indexing (in most cases).";String chineseText &#61; "张三说的确实在理。";// Lucene 的中文分词器 SmartChineseAnalyzertry (Analyzer smart &#61; new SmartChineseAnalyzer()) {TokenStream ts &#61; smart.tokenStream("content", etext);System.out.println("smart中文分词器&#xff0c;英文分词效果&#xff1a;");doToken(ts);ts &#61; smart.tokenStream("content", chineseText);System.out.println("smart中文分词器&#xff0c;中文分词效果&#xff1a;");doToken(ts);}}
}

 运行效果&#xff1a;


smart中文分词器&#xff0c;英文分词效果&#xff1a;
analysi
|is|on|of|the|main|caus|of|slow|index|simpli|put|the|more|you|analyz|the|slower|analyz|the|index|in|most|case|
smart中文分词器&#xff0c;中文分词效果&#xff1a;
|三|说|的|确实|在|理|


二、IKAnalyze中文分词器集成

IKAnalyzer是开源、轻量级的中文分词器&#xff0c;应用比较多

最先是作为lucene上使用而开发&#xff0c;后来发展为独立的分词组件。只提供到Lucene 4.0版本的支持。我们在4.0以后版本Lucene中使用就需要简单集成一下。

需要做集成&#xff0c;是因为Analyzer的createComponents方法API改变了

IKAnalyzer提供两种分词模式&#xff1a;细粒度分词和智能分词

集成步骤

1、找到 IkAnalyzer包体提供的Lucene支持类&#xff0c;比较IKAnalyzer的createComponets方法。

4.0及之前版本的createComponets方法&#xff1a;


&#64;Overrideprotected TokenStreamComponents createComponents(String fieldName, final Reader in) {Tokenizer _IKTokenizer &#61; new IKTokenizer(in, this.useSmart());return new TokenStreamComponents(_IKTokenizer);}

最新的createComponets方法&#xff1a;


protected abstract TokenStreamComponents createComponents(String fieldName);

2、照这两个类&#xff0c;创建新版本的&#xff0c; 类里面的代码直接复制&#xff0c;修改参数即可。


下面开始集成&#xff1a;

1.新建一个maven项目IkanalyzerIntegrated

 

2. 在pom.xml里面引入如下依赖


<dependency><groupId>org.apache.lucenegroupId><artifactId>lucene-coreartifactId><version>7.3.0version>dependency> <dependency><groupId>com.janeluogroupId><artifactId>ikanalyzerartifactId><version>2012_u6version><exclusions><exclusion><groupId>org.apache.lucenegroupId><artifactId>lucene-coreartifactId>exclusion><exclusion><groupId>org.apache.lucenegroupId><artifactId>lucene-queryparserartifactId>exclusion><exclusion><groupId>org.apache.lucenegroupId><artifactId>lucene-analyzers-commonartifactId>exclusion>exclusions>dependency>

 3. 重写分析器


package com.study.lucene.ikanalyzer.Integrated;import org.apache.lucene.analysis.Analyzer;/*** 因为Analyzer的createComponents方法API改变了需要重新实现分析器* &#64;author THINKPAD**/
public class IKAnalyzer4Lucene7 extends Analyzer {private boolean useSmart &#61; false;public IKAnalyzer4Lucene7() {this(false);}public IKAnalyzer4Lucene7(boolean useSmart) {super();this.useSmart &#61; useSmart;}public boolean isUseSmart() {return useSmart;}public void setUseSmart(boolean useSmart) {this.useSmart &#61; useSmart;}&#64;Overrideprotected TokenStreamComponents createComponents(String fieldName) {IKTokenizer4Lucene7 tk &#61; new IKTokenizer4Lucene7(this.useSmart);return new TokenStreamComponents(tk);}}

 4. 重写分词器


package com.study.lucene.ikanalyzer.Integrated;import java.io.IOException;import org.apache.lucene.analysis.Tokenizer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;
import org.apache.lucene.analysis.tokenattributes.TypeAttribute;
import org.wltea.analyzer.core.IKSegmenter;
import org.wltea.analyzer.core.Lexeme;/*** 因为Analyzer的createComponents方法API改变了需要重新实现分词器* &#64;author THINKPAD**/
public class IKTokenizer4Lucene7 extends Tokenizer {// IK分词器实现private IKSegmenter _IKImplement;// 词元文本属性private final CharTermAttribute termAtt;// 词元位移属性private final OffsetAttribute offsetAtt;// 词元分类属性&#xff08;该属性分类参考org.wltea.analyzer.core.Lexeme中的分类常量&#xff09;private final TypeAttribute typeAtt;// 记录最后一个词元的结束位置private int endPosition;/*** &#64;param in* &#64;param useSmart*/public IKTokenizer4Lucene7(boolean useSmart) {super();offsetAtt &#61; addAttribute(OffsetAttribute.class);termAtt &#61; addAttribute(CharTermAttribute.class);typeAtt &#61; addAttribute(TypeAttribute.class);_IKImplement &#61; new IKSegmenter(input, useSmart);}/** (non-Javadoc)* * &#64;see org.apache.lucene.analysis.TokenStream#incrementToken()*/&#64;Overridepublic boolean incrementToken() throws IOException {// 清除所有的词元属性
clearAttributes();Lexeme nextLexeme &#61; _IKImplement.next();if (nextLexeme !&#61; null) {// 将Lexeme转成Attributes// 设置词元文本
termAtt.append(nextLexeme.getLexemeText());// 设置词元长度
termAtt.setLength(nextLexeme.getLength());// 设置词元位移
offsetAtt.setOffset(nextLexeme.getBeginPosition(),nextLexeme.getEndPosition());// 记录分词的最后位置endPosition &#61; nextLexeme.getEndPosition();// 记录词元分类
typeAtt.setType(nextLexeme.getLexemeTypeString());// 返会true告知还有下个词元return true;}// 返会false告知词元输出完毕return false;}/** (non-Javadoc)* * &#64;see org.apache.lucene.analysis.Tokenizer#reset(java.io.Reader)*/&#64;Overridepublic void reset() throws IOException {super.reset();_IKImplement.reset(input);}&#64;Overridepublic final void end() {// set final offsetint finalOffset &#61; correctOffset(this.endPosition);offsetAtt.setOffset(finalOffset, finalOffset);}
}

 5. 新建一个IKAnalyzer的测试类IKAnalyzerTest


package com.study.lucene.ikanalyzer.Integrated;import java.io.IOException;import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;/*** IKAnalyzer分词器集成测试:* 细粒度切分&#xff1a;把词分到最细* 智能切分&#xff1a;根据词库进行拆分符合我们的语言习惯* * &#64;author THINKPAD**/
public class IKAnalyzerTest {private static void doToken(TokenStream ts) throws IOException {ts.reset();CharTermAttribute cta &#61; ts.getAttribute(CharTermAttribute.class);while (ts.incrementToken()) {System.out.print(cta.toString() &#43; "|");}System.out.println();ts.end();ts.close();}public static void main(String[] args) throws IOException {String etext &#61; "Analysis is one of the main causes of slow indexing. Simply put, the more you analyze the slower analyze the indexing (in most cases).";String chineseText &#61; "张三说的确实在理。";/*** ikanalyzer 中文分词器 因为Analyzer的createComponents方法API改变了 需要我们自己实现* 分析器IKAnalyzer4Lucene7和分词器IKTokenizer4Lucene7*/// IKAnalyzer 细粒度切分try (Analyzer ik &#61; new IKAnalyzer4Lucene7();) {TokenStream ts &#61; ik.tokenStream("content", etext);System.out.println("IKAnalyzer中文分词器 细粒度切分&#xff0c;英文分词效果&#xff1a;");doToken(ts);ts &#61; ik.tokenStream("content", chineseText);System.out.println("IKAnalyzer中文分词器 细粒度切分&#xff0c;中文分词效果&#xff1a;");doToken(ts);}// IKAnalyzer 智能切分try (Analyzer ik &#61; new IKAnalyzer4Lucene7(true);) {TokenStream ts &#61; ik.tokenStream("content", etext);System.out.println("IKAnalyzer中文分词器 智能切分&#xff0c;英文分词效果&#xff1a;");doToken(ts);ts &#61; ik.tokenStream("content", chineseText);System.out.println("IKAnalyzer中文分词器 智能切分&#xff0c;中文分词效果&#xff1a;");doToken(ts);}}
}

 运行结果&#xff1a;


IKAnalyzer中文分词器 细粒度切分&#xff0c;英文分词效果&#xff1a;
analysis
|is|one|of|the|main|causes|of|slow|indexing.|indexing|simply|put|the|more|you|analyze|the|slower|analyze|the|indexing|in|most|cases|
IKAnalyzer中文分词器 细粒度切分&#xff0c;中文分词效果&#xff1a;
张三
|三|说的|的确|的|确实|实在|在理|
IKAnalyzer中文分词器 智能切分&#xff0c;英文分词效果&#xff1a;
analysis
|is|one|of|the|main|causes|of|slow|indexing.|simply|put|the|more|you|analyze|the|slower|analyze|the|indexing|in|most|cases|
IKAnalyzer中文分词器 智能切分&#xff0c;中文分词效果&#xff1a;
张三
|说的|确实|在理|


三、扩展 IKAnalyzer的停用词和新词


扩展 IKAnalyzer的停用词

1、在类目录下创建IK的配置文件&#xff1a;IKAnalyzer.cfg.xml

2、在配置文件中增加配置扩展停用词文件的节点&#xff1a; my_ext_stopword.dic 如有多个&#xff0c;以“;”间隔


xml version&#61;"1.0" encoding&#61;"UTF-8"?>
DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties> <comment>IK Analyzer 扩展配置comment><entry key&#61;"ext_stopwords">my_ext_stopword.dicentry>
properties>

 

3、在类目录下创建我们的扩展停用词文件 my_ext_stopword.dic&#xff0c;编辑该文件加入停用词&#xff0c;一行一个

 

4、目录结构如下&#xff1a;

5.新建测试类ExtendedIKAnalyzerDicTest.java


package com.study.lucene.ikanalyzer.Integrated.ext;import java.io.IOException;import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;import com.study.lucene.ikanalyzer.Integrated.IKAnalyzer4Lucene7;/*** 扩展 IKAnalyzer的词典测试* **/
public class ExtendedIKAnalyzerDicTest {private static void doToken(TokenStream ts) throws IOException {ts.reset();CharTermAttribute cta &#61; ts.getAttribute(CharTermAttribute.class);while (ts.incrementToken()) {System.out.print(cta.toString() &#43; "|");}System.out.println();ts.end();ts.close();}public static void main(String[] args) throws IOException {String chineseText &#61; "厉害了我的国一经播出&#xff0c;受到各方好评&#xff0c;强烈激发了国人的爱国之情、自豪感&#xff01;";// IKAnalyzer 细粒度切分try (Analyzer ik &#61; new IKAnalyzer4Lucene7();) {TokenStream ts &#61; ik.tokenStream("content", chineseText);System.out.println("IKAnalyzer中文分词器 细粒度切分&#xff0c;中文分词效果&#xff1a;");doToken(ts);}// IKAnalyzer 智能切分try (Analyzer ik &#61; new IKAnalyzer4Lucene7(true);) {TokenStream ts &#61; ik.tokenStream("content", chineseText);System.out.println("IKAnalyzer中文分词器 智能切分&#xff0c;中文分词效果&#xff1a;");doToken(ts);}}
}

运行结果&#xff1a;

未加停用词之前&#xff1a;

加停用词之后&#xff1a;


扩展 IKAnalyzer的新词&#xff1a;

1、在类目录下IK的配置文件&#xff1a;IKAnalyzer.cfg.xml 中增加配置扩展词文件的节点&#xff1a; ext.dic 如有多个&#xff0c;以“;”间隔


xml version&#61;"1.0" encoding&#61;"UTF-8"?>
DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties> <comment>IK Analyzer 扩展配置comment><entry key&#61;"ext_dict">ext.dicentry> <entry key&#61;"ext_stopwords">my_ext_stopword.dicentry>
properties>

 

2、在类目录下创建扩展词文件 ext.dic&#xff0c;编辑该文件加入新词&#xff0c;一行一个

3、目录结构如下&#xff1a;

4.运行前面的测试类测试类ExtendedIKAnalyzerDicTest.java查看运行效果

运行结果&#xff1a;

未加新词之前&#xff1a;

加新词之后&#xff1a;

 

源码获取地址&#xff1a;

https://github.com/leeSmall/SearchEngineDemo 

 


推荐阅读
  • 在Java开发中,保护代码安全是一个重要的课题。由于Java字节码容易被反编译,因此使用代码混淆工具如ProGuard变得尤为重要。本文将详细介绍如何使用ProGuard进行代码混淆,以及其基本原理和常见问题。 ... [详细]
  • IO流——字符流 BufferedReader / BufferedWriter 进行文件读写
    目录节点流、处理流读文件:BufferedReader的使用写文件:BufferedWriter的使用节点流处理流节点流和处理流的区别和联系字符流Buf ... [详细]
  • 本文详细介绍了如何在循环双链表的指定位置插入新元素的方法,包括必要的步骤和代码示例。 ... [详细]
  • 本文详细介绍了`android.os.Binder.getCallingPid()`方法的功能和应用场景,并提供了多个实际的代码示例。通过这些示例,开发者可以更好地理解如何在不同的开发场景中使用该方法。 ... [详细]
  • 本文详细介绍了二叉堆的概念及其在Java中的实现方法。二叉堆是一种特殊的完全二叉树,具有堆性质,常用于实现优先队列。 ... [详细]
  • 本文探讨了在使用JavaMail发送电子邮件时,抄送功能未能正常工作的问题,并提供了详细的代码示例和解决方法。 ... [详细]
  • JUC并发编程——线程的基本方法使用
    目录一、线程名称设置和获取二、线程的sleep()三、线程的interrupt四、join()五、yield()六、wait(),notify(),notifyAll( ... [详细]
  • 默认情况下,Java 的克隆机制是浅克隆,即仅复制对象本身而不复制其内部引用的对象。本文将详细介绍如何通过深度克隆来确保对象及其内部引用的对象都能被正确复制。 ... [详细]
  • 本文详细介绍了HashSet类,它是Set接口的一个实现,底层使用哈希表(实际上是HashMap实例)。HashSet不保证元素的迭代顺序,并且是非线程安全的。 ... [详细]
  • 本文介绍如何使用匿名内部类实现工厂模式,通过定义接口和工厂接口来创建不同的服务实现。 ... [详细]
  • 本文详细介绍了 Java 中 org.w3c.dom.Node 类的 isEqualNode() 方法的功能、参数及返回值,并通过多个实际代码示例来展示其具体应用。此方法用于检测两个节点是否相等,而不仅仅是判断它们是否为同一个对象。 ... [详细]
  • 根据官方定义,RxJava是一种用于异步编程和可观察数据流的API。其核心特性在于流式处理能力和丰富的操作符支持。 ... [详细]
  • 本文探讨了如何高效地计算数组中和为2的幂的偶对数量,提供了从基础到优化的方法。 ... [详细]
  • 编译原理中的语法分析方法探讨
    本文探讨了在编译原理课程中遇到的复杂文法问题,特别是当使用SLR(1)文法时遇到的多重规约与移进冲突。文章讨论了可能的解决策略,包括递归下降解析、运算符优先级解析等,并提供了相关示例。 ... [详细]
  • C语言中的指针详解
    1.什么是指针C语言中指针是一种数据类型,指针是存放数据的内存单元地址。计算机系统的内存拥有大量的存储单元,每个存储单元的大小为1字节, ... [详细]
author-avatar
朱仔happy
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有