你的位置:首页 > 软件开发 > Java > Apache Lucene(全文检索引擎)—分词器

Apache Lucene(全文检索引擎)—分词器

发布时间:2016-04-15 16:00:13
目录  1. Apache Lucene(全文检索引擎)—创建索引:http://www.cnblogs.com/hanyinglong/p/5387816.html  2. Apache Lucene(全文检索引擎)—搜索:h ...

目录

  1. Apache Lucene(全文检索引擎)—创建索引:http://www.cnblogs.com/hanyinglong/p/5387816.html

  2. Apache Lucene(全文检索引擎)—搜索:http://www.cnblogs.com/hanyinglong/p/5391269.html

  3. Apache Lucene(全文检索引擎)—分词器:http://www.cnblogs.com/hanyinglong/p/5395600.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

 1 package com.lyzj.kencery.unit; 2 import java.io.StringReader; 3 import org.apache.lucene.analysis.Analyzer; 4 import org.apache.lucene.analysis.TokenStream; 5 import org.apache.lucene.analysis.cjk.CJKAnalyzer; 6 import org.apache.lucene.analysis.standard.StandardAnalyzer; 7 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute; 8 import org.apache.lucene.analysis.tokenattributes.OffsetAttribute; 9 import org.apache.lucene.analysis.tokenattributes.PositionIncrementAttribute; 10 import org.apache.lucene.analysis.tokenattributes.TypeAttribute; 11 import org.junit.Test; 12 import org.wltea.analyzer.lucene.IKAnalyzer; 13 /** 14  * 测试分词器 15  * 分词器工作流程 16  *   1.切分,将需要分词的内容进行切分成每个单词或者词语 17  *   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, 18  * 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, 19  * 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。 20  *   3.对于英文字母,转为小写,因为搜索的时候不区分大小写 21  * @author kencery 22  * 23 */ 24 public class AnalyzerTest { 25  26   /** 27    * 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) 28    * @throws Exception  29   */ 30   @Test 31   public void StandardAnalyzerTest() throws Exception{ 32     //英文测试 33     String text="An IndexWriter creaters and maintains an index."; 34     Analyzer analyzer=new StandardAnalyzer(); 35     displayTokens(analyzer,text); 36     //中文测试 37     String text1="Lucene是全文检索框架"; 38     displayTokens(analyzer,text1);   39   } 40  41   /** 42    * 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) 43    *  44    * @throws Exception 45    */ 46   @Test 47   public void CJKAnalyzerTest() throws Exception{ 48     //英文测试 49     String text="An IndexWriter creaters and maintains an index."; 50     Analyzer analyzer=new CJKAnalyzer(); 51     displayTokens(analyzer,text); 52     //中文测试 53     String text1="Lucene是全文检索框架"; 54     displayTokens(analyzer,text1);   55   } 56  57   /** 58    * IKAnalyzerTest分词法测试,对中文支持很好,词库分词 59    * @throws Exception 60    */ 61   @Test 62   public void IKAnalyzerTest() throws Exception{ 63     //英文测试 64     String text="An IndexWriter creaters and maintains an index."; 65     Analyzer analyzer=new IKAnalyzer(); 66     displayTokens(analyzer,text); 67     //中文测试 68     String text1="韩迎龙易淘食的Lucene是全文检索框架"; 69     displayTokens(analyzer,text1);   70   } 71  72   /** 73    * 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 74    * 备注说明:这里注意版本问题,暂无方法解决 75    * @param analyzer 76    * @param text 77    * @throws Exception 78   */ 79   public static void displayTokens(Analyzer analyzer, String text) throws Exception { 80     System.out.println("当前使用的分词器:" + analyzer.getClass().getName()); 81     //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。 82     TokenStream tokenStream = analyzer.tokenStream("content", new StringReader(text)); 83     //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(), 84     //因为可能term已经用stemmer或者其他过滤器处理过; 85     OffsetAttribute offsetAttribute = tokenStream.addAttribute(OffsetAttribute.class); 86     //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 ], 87     //它们在原文本中相隔的词语数是1,则token="a"的PositionIncrementAttribute值为1; 88     PositionIncrementAttribute positionIncrementAttribute = tokenStream.addAttribute(PositionIncrementAttribute.class); 89  90     //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 91     //>>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 92     CharTermAttribute charTermAttribute= tokenStream.addAttribute(CharTermAttribute.class); 93  94     //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; 95     TypeAttribute typeAttribute = tokenStream.addAttribute(TypeAttribute.class); 96     tokenStream.reset(); 97  98     int position = 0; 99     while (tokenStream.incrementToken()) {100      int increment = positionIncrementAttribute.getPositionIncrement();101      if(increment > 0) {102       position = position + increment;103      }104      int startOffset = offsetAttribute.startOffset();105      int endOffset = offsetAttribute.endOffset();106      String term ="输出结果为:"+ charTermAttribute.toString();107      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());108     }109     tokenStream.close();110   }111 }

原标题:Apache Lucene(全文检索引擎)—分词器

关键词:Apache

*特别声明:以上内容来自于网络收集,著作权属原作者所有,如有侵权,请联系我们: admin#shaoqun.com (#换成@)。

可能感兴趣文章

我的浏览记录