Solr 关于Analyzer、Tokenizer、和Filter，以及中文分词器

对于文本数据（solr.TextField），solr在建立索引和搜索的时候需要拆分它们、并做一些相应的处理（比如英文要去掉介词、转成小写、单词原形化等，中文要恰当地要分词）。这些工作，一般由Analyzers、Tokenizers、和Filter来实现。 这三个东东配置在fieldType中。

• ananlyzer：告诉solr在建立索引和搜索的时候，如何处理text类型的内容，比如要不要去掉“a”、去掉介词、去掉复数，要不要全部变成小写等等……它在schema.xml文件中配置，可以直接指定一个类给它；也可以由tokenizer和filter的组合来实现：
  • type：可选参数，index或query，表名这个配置是在建立索引还是在搜索的时候使用
  • tokenizer：分词器，比如：StandardTokenizerFactory
  • filter：过滤器，比如：LowerCaseFilterFactory，小写转换

Analyzer负责把文本field转成token流，然后自己处理、或调用Tokenzier和Filter进一步处理，Tokenizer和Filter是同等级和顺序执行的关系，一个处理完后交给下一个处理。

Tokenizer和Filter的区别：

• Tokenizer：接收text（通过从solr那里获得一个reader来读取文本），拆分成tokens，输出token stream
  
• Filter：接收token stream，对每个token进行处理（比如：替换、丢弃、不理），输出token stream
  

因此，在配置文件中，Tokenizer放在第一位，Filter放在第二位直到最后一位。

一个Tokenizer处理文本的例子：

输入："Please, email  john.doe@foo.com  by 03-09, re: m37-xq."

输出："Please", "email", "john.doe", "foo.com", "by", "03", "09", "re", "m37", "xq"

注：配置文件位置：<solr-home>/server/solr/configsets/<collection-name>

对于简单的英文文本，可以这样配置（使用空格分词器，不需要tokenizer和filter）：

<fieldType name="nametext" class="solr.TextField">

    <analyzer class="org.apache.lucene.analysis.WhitespaceAnalyzer"/>

</fieldType>

一般情况下，需要更多的处理，比如：

<fieldType name="nametext" class="solr.TextField">

    <analyzer  type="index">

        <tokenizer class="solr.StandardTokenizerFactory"/>

        <filter class="solr.StandardFilterFactory"/>

        <filter class="solr.LowerCaseFilterFactory"/>

        <filter class="solr.StopFilterFactory"/>

        <filter class="solr.EnglishPorterFilterFactory"/>

    </analyzer>

</fieldType>

注： type="index"或"type="query" 这个参数如果没有，则表示两种都适用。

注：那些Factory并不是真正的tokenizer或filter，而是负责创建一个实现tokenizer接口的类。

注：由于filters是顺序执行的，前一个的结果是后一个是输入，所以，一般通用的处理放在前面，特殊的处理靠后

这些tokenizer和filter是顺序执行的，在建索引的情况下，最后一个filter EnglishPorterFilterFactory的输出，就会被用来建立索引。而原文本是不会变的，比如A Red Cow的索引是red, cow，但原文件还是保持Many Cows。

tokenizer和filter的配置还可以接收额外的参数：

<fieldType name="semicolonDelimited" class="solr.TextField">

    <analyzer type="query">

        <tokenizer class="solr.PatternTokenizerFactory"  pattern="; "/>

        <filter class="solr.LengthFilterFactory"  min="2" max="7"/>

    <analyzer>

</fieldType>

简体中文分词：

Solr官方提供了简体中文分词器SmartCn。关于如何配置，可以这个文件：solr/co  ntrib/analysis-extras/README.txt

官方的配置例子：

<analyzer class="org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer"/>

或：

<analyzer>

    <tokenizer class="solr.HMMChineseTokenizerFactory"/>

    <filter class="solr.StopFilterFactory   words="org/apache/lucene/analysis/cn/smart/stopwords.txt"/> 

    <filter class="solr.PorterStemFilterFactory"/>

</analyzer>

具体的中文分词器SmartCn配置例子:

拷贝文件lucene-analyzers-smartcn-5.x.x.jar 到 solr/server/solr-webapp/webapp/WEB-INF/lib中

配置文件添加：

<field name="content" type="text_smartcn" indexed="true" stored="true" multiValued="true"/>

<fieldType name="text_smartcn" class="solr.TextField" positionIncrementGap="100"> 

  <analyzer type="index">

    <tokenizer class="solr.SmartChineseSentenceTokenizerFactory"/>

    <filter class="solr.SmartChineseWordTokenFilterFactory"/>

  </analyzer>

  <analyzer type="query">

    <tokenizer class="solr.SmartChineseSentenceTokenizerFactory"/>

    <filter class="solr.SmartChineseWordTokenFilterFactory"/>

   </analyzer>

</fieldType>

效果测试：

1. 管理界面（http://<ip>:8983/solr/） -> Core Selector -> Analysis
2. 选择一个FieldType
3. 在Field Value (Index) 或 Field Value (Query) 中输入文本
4. Analyse Values

注：在结果中，把鼠标移到左边的Tokenizer、Filer缩写上面，可以看到全称

相关名词：

• token：标记、记号，solr中被用来索引或搜索的最小元素，比如英文单词的原形、中文的词语。tokenize：分词，tokenizer：分词器。
• stem：词干，EnglishPorterFilterFactory负责把单词还原成词干，比如：hugs, hugging, hugged -> hug。

（原创文章，转载请注明转自Clement-Xu的csdn博客。）