自定义分词器Analyzer

Analyzer，或者说文本分析的过程，实质上是将输入文本转化为文本特征向量的过程。这里所说的文本特征，可以是词或者是短语。它主要包括以下四个步骤： 

1、分词，将文本解析为单词或短语

2、归一化，将文本转化为小写

3、停用词处理，去除一些常用的、无意义的词

4、提取词干，解决单复数、时态语态等问题

 

 

 

Lucene Analyzer包含两个核心组件，Tokenizer以及TokenFilter。两者的区别在于，前者在字符级别处理流，而后者则在词语级别处理流。Tokenizer是Analyzer的第一步，其构造函数接收一个Reader作为参数，而TokenFilter则是一个类似拦截器的东东，其参数可以使TokenStream、Tokenizer，甚至是另一个TokenFilter。整个Lucene Analyzer的过程如下图所示：

 

 

 

上图中的一些名词的解释如下表所示： 

类	说明
Token	表示文中出现的一个词，它包含了词在文本中的位置信息
Analyzer	将文本转化为TokenStream的工具
TokenStream	文本符号的流
Tokenizer	在字符级别处理输入符号流
TokenFilter	在字符级别处理输入符号流，其输入可以是TokenStream、Tokenizer或者TokenFilter

 

lucene分词自定义

       TokenStream继承关系图如下：

 

StopAnalyzer，StandardAnalyze，WhitespaceAnalyzer，SimpleAnalyzer，KeyWordAnalyzer都继承自父类Analyzer。

 

因此只要实现父类的虚方法tokenStream 就可以实现分析。

分词的切分算法由继承自父类Tokenizer的方法

public final boolean incrementToken() throws IOException 来实现。

因此自定义继承类Tokenizer并实现其incrementToken算法就可以实现自定义的分词。

 

 

//自定义禁用分词器
public class UserDefinedAnalyzer extends Analyzer{

    //定义禁用词集合
    private Set stops;

    //无参构造器使用默认的禁用词分词器
    public UserDefinedAnalyzer (){
        stops = StopAnalyzer.ENGLISH_STOP_WORDS_SET;
    }

      /**
     * 传一个禁用词数组
     * @param sws
     */
    public UserDefinedAnalyzer (String[] sws){
        //使用stopFilter创建禁用词集合
        stops=StopFilter.makeStopSet(Version.LUCENE_35,sws,true);
        //将默认的禁用词添加进集合
        stops.addAll(StopAnalyzer.ENGLISH_STOP_WORDS_SET);
    }

     /**
     * 自定义分词器
     */
    @Override
    public TokenStream tokenStream(String str, Reader reader) {
        //读取原始Reader数据的一定是Tokenizer类，这里使用的是LetterTokenizer
        return new StopFilter(Version.LUCENE_35,
               new LowerCaseFilter(Version.LUCENE_35,
               new LetterTokenizer(Version.LUCENE_35, reader)),stops);
    }

    public static void displayToken(String str,Analyzer a) {
        try {
            TokenStream stream = a.tokenStream("content",new StringReader(str));
            //创建一个属性，这个属性会添加流中，随着这个TokenStream增加
            CharTermAttribute cta = stream.addAttribute(CharTermAttribute.class);
            while(stream.incrementToken()) {
                System.out.print("["+cta+"]");
            }
            System.out.println();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

}

 

 

测试类

 

public class Test {
    public static void main(String[] args) {
         Analyzer a1=new UserDefinedAnalyzer(new String[]{"my","name"});
            //Analyzer a1=new UserDefinedAnalyzer();
            String str="my name is paul";
            UserDefinedAnalyzer.displayToken(str, a1);
    }
}