Lucene的分析过程

Lucene的分析过程

回顾倒排索引的构建

1. 收集待建索引的原文档(Document)
2. 将原文档传给词条化工具(Tokenizer)进行文本词条化
3. 将第二步得到的词条(Token)传给语言分析工具(Linguistic modules)进行语言学预处理，得到词项(Term)
4. 将得到的词项(Term)传给索引组件(Indexer),建立倒排索引

注：详细文档->倒排索引的理论过程见词项词典及倒排记录表

 

分析操作的使用场景

1.如上，倒排索引的构建阶段

2.针对自由文本的查询阶段

QueryParser parser = new QueryParser(Version.LUCENE_36, field, analyzer);

Query query = parser.parse(queryString);

lucene的Analyzer接收表达式queryString中连续的独立的文本片段，但不会接收整个表达式。

例如：对查询语句"president obama" + harvard + professor，QueryParser会3次调用分析器，首先是处理文本“president obama”，然后是文本“harvard”，最后处理“professor”。

3.搜索结果中高亮显示被搜索内容时（即结果摘要-Snippets的生成），也可能会用到分析操作

 

剖析lucene分析器

 

抽象类Analyzer

Analyzer类是一个抽象类，是所有分析器的基类。

其主要包含两个接口，用于生成TokenStream（所谓TokenStream，后面我们会讲到，是一个由分词后的Token 结果组成的流，能够不断的得到下一个分成的Token。）。

接口：

1.TokenStream tokenStream(String fieldName, Reader reader)

2.TokenStream reusableTokenStream(String fieldName, Reader reader)

 

为了提高性能，使得在同一个线程中无需再生成新的TokenStream 对象，老的可以被重用，所以有reusableTokenStream 一说。

Analyzer 中有CloseableThreadLocal<Object> tokenStreams = newCloseableThreadLocal<Object>(); 成员变量， 保存当前线程原来创建过的TokenStream ， 可用函数setPreviousTokenStream 设定，用函数getPreviousTokenStream 得到。在reusableTokenStream 函数中，往往用getPreviousTokenStream 得到老的TokenStream 对象，然后将TokenStream 对象reset 一下，从而可以重新开始得到Token 流。

 

抽象类ReusableAnalyzerBase

ReusableAnalyzerBase extendsAnalyzer，顾名思义主要为tokenStream的重用。

其包含一个接口，用于生成TokenStreamComponents。

接口：

TokenStreamComponents createComponents(String fieldName,Reader reader);

 

reusableTokenStream的实现代码分析：

  public final TokenStream reusableTokenStream(final String fieldName,
      final Reader reader) throws IOException {
    // 得到上一次使用的TokenStream
    TokenStreamComponents streamChain = (TokenStreamComponents)getPreviousTokenStream();
    final Reader r = initReader(reader);
    //如果没有PreviousTokenStream则生成新的， 并且用setPreviousTokenStream放入成员变量，使得下一个可用。
    //如果上一次生成过TokenStream，则reset。reset失败则生成新的。
    if (streamChain == null || !streamChain.reset(r)) {
      streamChain = createComponents(fieldName, r);
      setPreviousTokenStream(streamChain);
    }
    return streamChain.getTokenStream();
  }

内部static类TokenStreamComponents

简单封装输入Tokenizer和输出TokenStream。

 

最简单的一个Analyzer：SimpleAnalyzer

SimpleAnalyzer extendsReusableAnalyzerBase，实现createComponents方法。TokenStream的处理是将字符串最小化，生成按照空格分隔的Token流

  protected TokenStreamComponents createComponents( final String fieldName,
      final Reader reader) {
    return new TokenStreamComponents(new LowerCaseTokenizer(matchVersion , reader));
  }

抽象类TokenStream

TokenStream 主要包含以下几个方法：
1. boolean incrementToken()用于得到下一个Token。IndexWriter调用此方法推动Token流到下一个Token。实现类必须实现此方法并更新Attribute信息到下一个Token。
2. public void reset() 重设Token流到开始，使得此TokenStrean 可以重新开始返回各个分词。

 

和原来的TokenStream返回一个Token 对象不同，Lucene 3.0 开始，TokenStream已经不返回Token对象了，那么如何保存下一个Token 的信息呢？
在Lucene 3.0 中，TokenStream 是继承于AttributeSource，其包含Map，保存从class 到对象的映射，从而可以保存不同类型的对象的值。在TokenStream 中，经常用到的对象是CharTermAttributeImpl，用来保存Token 字符串；PositionIncrementAttributeImpl 用来保存位置信息；OffsetAttributeImpl 用来保存偏移量信息。所以当生成TokenStream 的时候， 往往调用CharTermAttribute tokenAtt = addAttribute(CharTermAttribute.class)将CharTermAttributeImpl添加到Map 中，并保存一个成员变量。在incrementToken() 中， 将下一个Token 的信息写入当前的tokenAtt ， 然后使用CharTermAttributeImpl.buffer()得到Token 的字符串。

注：Lucene 3.1开始废弃了TermAttribute和TermAttributeImpl，用CharTermAttribute和CharTermAttributeImpl代替。

 

Token attributes

如上述，Token的信息真正存在于各个AttributeImpl中，lucene内建的所有Attribute接口都在org.apache.lucene.analysis.tokenattributes包中。

 

Token attributes API的使用

1. 调用addAttribute（继承于AttributeSource）方法，返回一个对应属性接口的实现类，以获得需要的属性。

2. 递归TokenStream incrementToken()方法，遍历Token流。当incrementToken返回true时，其中Token的属性信息会将内部状态修改为下个词汇单元。

3. lucene内建Attribute接口都是可读写的，TokenStream 在遍历Token流时，会调用Attribute接口的set方法，修改属性信息。

 

lucene内建常用Attribute接口

1. CharTermAttribute      保存Token对应的term文本，Lucene 3.1开始用CharTermAttribute代替TermAttribute

2. FlagsAttribute             自定义标志位

3. OffsetAttribute            startOffset是指Term的起始字符在原始文本中的位置，endOffset则表示Term文本终止字符的下一个位置。偏移量常用于搜索结果中高亮Snippets的生成

4. PayloadAttribute          保存有效负载

5. TypeAttribute              保存Token类型，默认为"word"，实际中可根据Term的词性来做自定义操作

6. PositionIncrementAttribute 

保存相对于前一个Term的位置信息，默认值设为1，表示所有的Term都是连续的，在位置上是一个接一个的。如果位置增量大于1，则表示Term之间有空隙，可以用这个空隙来表示被删除的Term项（如停用词）。位置增量为0，则表示该Term项与前一个Term项在相同的位置上，0增量常用来表示词项之间是同义词。位置增量因子会直接影响短语查询和跨度查询，因为这些查询需要知道各个Term项之间的距离。

注：并不是所有的Attribute信息都会保存在索引中，很多Attribute信息只在分析过程使用，Term进索引后部分Attribute信息即丢弃。（如TypeAttribute、FlagsAttribute在索引阶段都会被丢弃）

 

Lucene Token流 揭秘

lucene Token流的生成，主要依赖TokenStream 的两个子类Tokenizer和TokenFilter

Tokenizer类的主要作用：接收Read对象，读取字符串进行分词并创建Term项。

TokenFilter类使用装饰者模式（lucene in action中作者写的是组合模式，本人窃以为应该是装饰者模式），封装另一个TokenStream类，主要负责处理输入的Token项，然后通过新增、删除或修改Attribute的方式来修改Term流。

 

如上图，当Analyzer从它的tokenStream方法或者reusableTokenStream方法返回tokenStream对象后，它就开始用一个Tokenizer对象创建初始Term序列，然后再链接任意数量的TokenFilter来修改这些Token流。这被称为分析器链（analyzer chain）。

 

一个简单的Analyzer：StopAnalyzer

  protected TokenStreamComponents createComponents(String fieldName,
      Reader reader) {
    //LowerCaseTokenizer接收Reader，根据Character.isLetter(char)来进行分词，并转换为字符小写
    final Tokenizer source = new LowerCaseTokenizer(matchVersion , reader);
    //只有一个分析器链StopFilter，来去除停用词
    return new TokenStreamComponents(source, new StopFilter(matchVersion ,
          source, stopwords));
  }

StopAnalyzer测试

String text = "The quick brown fox jumped over the lazy dog";
System. out.println("Analyzing \"" + text + "\"");
Analyzer analyzer = new StopAnalyzer(Version.LUCENE_36);
String name = analyzer.getClass().getSimpleName();
System. out.println("" + name + ":");
System. out.print("" );
AnalyzerUtils. displayTokens(analyzer, text);
System. out.println("\n" );

结果输出

Analyzing "The quick brown fox jumped over the lazy dog"

  StopAnalyzer:

    [quick] [brown] [fox] [jumped] [over] [lazy] [dog]