Apache Lucene(全文检索引擎)—分词器

目录

　　返回目录：http://www.cnblogs.com/hanyinglong/p/5464604.html

　　本项目Demo已上传GitHub，欢迎大家fork下载学习：https://github.com/kencery/Lucene_Compass(项目内部有很详细的注释)

1.分词器的作用

　　a. 在创建索引的时候需要用到分词器，在使用字符串搜索的时候也会用到分词器，并且这两个地方要使用同一个分词器，否则可能会搜索不出来结果。

　　b. 分词器(Analyzer)的作用是把一段文本中的词按规则取出所包含的所有词，对应的是Analyzer类，这是一个抽象类(public abstract class org.apache.lucene.analysis.Analyzer)，切分词的具体规则是由子类实现的，所以对于不同的语言规则，要有不同的分词器。

　　c.关于分词器的详细运行代码，请在GitHub上下载，下载地址：https://github.com/kencery/Lucene_Compass/tree/master/Lucene_5.5，对应的分支为：lucene_five。

2.英文分词器的原理

　　a.英文的处理流程为：输入文本，词汇切分，词汇过滤(去除停用词)，词干提取(形态还原)、大写转小写，结果输出。

　　b. 何为形态还原，意思是：去除单词词尾的形态变化，将其还原为词的原形，这样做可以搜索出更多有意义的结果，比如在搜索student的时候，同事也可以搜索出students的结果。

　　c. 任何一个分词法对英文的支持都是还可以的。

3.中文分词器的原理

　　a.中文分词比较复杂，并没有英文分词那么简单，这主要是因为中文的词与词之间并不是像英文那样用空格来隔开，

因为不是一个字就是一个词，而且一个词在另外一个地方就可能不是一个词，如："我们是中国人"，"是中"就不是一个词，对于中文分词，通常有三种方式：单字分词、二分法分词、词典分词。

　　　　a.1 单字分词：就是按照中文一个字一个字的进行分词，比如:"我们是中国人"，分词的效果就是"我"，"们"，"是"，"中"，"国"，"人"，StandardAnalyzer分词法就是单字分词。

　　　　a.2 二分法分词：按照两个字进行切分，比如："我们是中国人"，分词的效果就是："我们"，"们是"，"是中"，"中国"，"国人"，CJKAnalyzer分词法就是二分法分词

　　　　a.3 词库分词：按照某种算法构造词，然后去匹配已建好的词库集合，如果匹配到就切分出来成为词语，通常词库分词被认为是最好的中文分词算法，如："我们是中国人"，分词的效果就是:"我们"，"中国人"，极易分词

MMAnalyzer、庖丁分词、IkAnalyzer等分词法就是属于词库分词。

　　b.分词器还有很大，请大家自行查询，它们的实现基本一致，都是Analyzer的子类，故而可以很完美的继承到Lucene中。

4.停用词的规则

　　a. 有些词在文本中出现的频率非常高，但是对文本所携带的信息基本不产生影响，例如英文的"a、an、the、of"或中文的"的、了、着、是"，以及各种标点符号等，这样的词称为停用词，文本经过分词处理后，停用词通常会被过滤掉，不会被进行索引，在检索的时候，用户的查询中如果含有停用词，检索系统也会将其过滤掉，这是因为用户输入哦查询字符串也要进行分词处理，排除停用词可以硷蒉建立索引的速度，减小索引库文件的大小。

5.分词器的使用代码

package com.lyzj.kencery.unit;
import java.io.StringReader;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.cjk.CJKAnalyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;
import org.apache.lucene.analysis.tokenattributes.PositionIncrementAttribute;
import org.apache.lucene.analysis.tokenattributes.TypeAttribute;
import org.junit.Test;
import org.wltea.analyzer.lucene.IKAnalyzer;
/**
 * 测试分词器
 * 分词器工作流程
 *     1.切分，将需要分词的内容进行切分成每个单词或者词语
 *     2.去除停用词，有些词在文本中出现的频率非常高，但是对文本所携带的信息基本不产生影响，例如英文的“a、an、the、of”，或中文的“的、了、着、是”，以及各种标点符号等，
 * 这样的词称为停用词（stop word）。文本经过分词之后，停用词通常被过滤掉，不会被进行索引。在检索的时候，用户的查询中如果含有停用词，
 * 检索系统也会将其过滤掉（因为用户输入的查询字符串也要进行分词处理）。排除停用词可以加快建立索引的速度，减小索引库文件的大小。
 *     3.对于英文字母，转为小写，因为搜索的时候不区分大小写
 * @author kencery
 *
 */
public class AnalyzerTest {

    /**
     * StandardAnalyzer分词法测试,对中文支持不是很好,将中文分词成1个字(单字分词)
     * @throws Exception 
     */
    @Test
    public void StandardAnalyzerTest() throws Exception{
        //英文测试
        String text="An IndexWriter creaters and maintains an index.";
        Analyzer analyzer=new StandardAnalyzer();
        displayTokens(analyzer,text);
        //中文测试
        String text1="Lucene是全文检索框架";
        displayTokens(analyzer,text1);    
    }

     /**
      * CJKAnalyzerTest分词法测试,对中文支持不是很好，将中文分词成2个字(二分法分词)
      * 
      * @throws Exception
      */
    @Test
    public void CJKAnalyzerTest() throws Exception{
        //英文测试
        String text="An IndexWriter creaters and maintains an index.";
        Analyzer analyzer=new CJKAnalyzer();
        displayTokens(analyzer,text);
        //中文测试
        String text1="Lucene是全文检索框架";
        displayTokens(analyzer,text1);    
    }

     /**
      * IKAnalyzerTest分词法测试,对中文支持很好，词库分词
      * @throws Exception
      */
    @Test
    public void IKAnalyzerTest() throws Exception{
        //英文测试
        String text="An IndexWriter creaters and maintains an index.";
        Analyzer analyzer=new IKAnalyzer();
        displayTokens(analyzer,text);
        //中文测试
        String text1="韩迎龙易淘食的Lucene是全文检索框架";
        displayTokens(analyzer,text1);    
    }

    /**
     * 使用指定的分词器对指定的文本进行分词，并打印出分出的词,测试分词法的方法
     * 备注说明：这里注意版本问题，暂无方法解决
     * @param analyzer
     * @param text
     * @throws Exception
     */
    public static void displayTokens(Analyzer analyzer, String text) throws Exception {
        System.out.println("当前使用的分词器：" + analyzer.getClass().getName());
        //分词流，即将对象分词后所得的Token在内存中以流的方式存在，也说是说如果在取得Token必须从TokenStream中获取，而分词对象可以是文档文本，也可以是查询文本。
        TokenStream tokenStream = analyzer.tokenStream("content", new StringReader(text));
        //表示token的首字母和尾字母在原文本中的位置。比如I'm的位置信息就是(0,3)，需要注意的是startOffset与endOffset的差值并不一定就是termText.length()，
        //因为可能term已经用stemmer或者其他过滤器处理过；
        OffsetAttribute offsetAttribute = tokenStream.addAttribute(OffsetAttribute.class);
        //这个有点特殊，它表示tokenStream中的当前token与前一个token在实际的原文本中相隔的词语数量，用于短语查询。比如： 在tokenStream中[2:a]的前一个token是[1:I'm ]，
        //它们在原文本中相隔的词语数是1，则token="a"的PositionIncrementAttribute值为1；
        PositionIncrementAttribute positionIncrementAttribute = tokenStream.addAttribute(PositionIncrementAttribute.class);

        //问题说明：这里需要使用jdk1.7,如果使用jdk1.8或者jdk1.6则会出现报错信息
        //>>如果大家谁有相应的解决方案，请提交到git上我将会合并或者添加我的QQ我们互相讨论
        CharTermAttribute charTermAttribute= tokenStream.addAttribute(CharTermAttribute.class);

        //表示token词典类别信息，默认为“Word”，比如I'm就属于<APOSTROPHE>，有撇号的类型；
        TypeAttribute typeAttribute = tokenStream.addAttribute(TypeAttribute.class);
        tokenStream.reset();

        int position = 0;
        while (tokenStream.incrementToken()) {
          int increment = positionIncrementAttribute.getPositionIncrement();
          if(increment > 0) {
            position = position + increment;
          }
          int startOffset = offsetAttribute.startOffset();
          int endOffset = offsetAttribute.endOffset();
          String term ="输出结果为："+ charTermAttribute.toString();
          System.out.println("第"+position+"个分词，分词内容是:[" + term + "]" + "，分词内容的开始结束位置为：(" + startOffset + "-->" + endOffset + ")，类型是：" + typeAttribute.type());
        }
        tokenStream.close();
    }
}

 

6. Compass简单介绍(不建议使用)

　　a. 已经不建议使用，因为官方已停止更新，支持的Lucene的最高版本为2.4，而当前Lucene的版本已经到了5.5。

　　b. 因为是学习，所以简单写了一个Compass的Demo，下载地址：https://github.com/kencery/Lucene_Compass/tree/master/Compass_2.2，项目内部有详细的代码备注。

　　c.这里有一篇别人写的Compass博客，个人感觉非常好，地址：http://yufenfei.iteye.com/blog/1683546

 

 　　备注：接下来将使用ElasticSearch来做搜索。