- mmseg4j是一个比较流行的中文分词,具体介绍见:http://code.google.com/p/mmseg4j/
- schema.xml 配置文件:
<fieldType name="textComplex" class="solr.TextField" positionIncrementGap="100" >
<analyzer>
<tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex" dicPath="/data/web/search_cores/multicore/dic"/>
<filter class="solr.LowerCaseFilterFactory"/>
<filter class="com.chenlb.mmseg4j.solr.CutLetterDigitFilterFactory"/>
</analyzer>
</fieldType>
<fieldType name="textMaxWord" class="solr.TextField" positionIncrementGap="100" >
<analyzer>
<tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="max-word" dicPath="dic"/>
<filter class="solr.LowerCaseFilterFactory"/>
</analyzer>
</fieldType>
<fieldType name="textSimple" class="solr.TextField" positionIncrementGap="100" >
<analyzer>
<tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="simple" dicPath="dic"/>
<filter class="solr.LowerCaseFilterFactory"/>
</analyzer>
</fieldType>
主要是红色部分(dicPath="/data/web/search_cores/multicore/dic"/>),可以使用相对solr.home的地址,或者绝对地址。经过分析mmseg4j源代码发现,如果不指定就是默认在 CWD/data 目录(程序运行当前目录的data子目录)下找.如果填的是相对地址,则是相对solr.home的路径。当然,最好使用绝对地址,相对的容易出错,不好debug。
- resin服务器配置的solr.home:
<web-app id="/" document-directory="/data/web/projects/xiaozhao-solr"> <stdout-log path="/data/logs/zhaopin-resin_solr-stdout.log" timestamp="[%H:%M:%S.%s]" rollover-period="1D"/> <stderr-log path="/data/logs/zhaopin-resin_solr-stderr.log" timestamp="[%H:%M:%S.%s]" rollover-period="1D"/> <character-encoding>utf-8</character-encoding> <env-entry> <env-entry-name>solr/home</env-entry-name> <env-entry-type>java.lang.String</env-entry-type> <env-entry-value>/data/web/search_cores/multicore</env-entry-value> </env-entry> </web-app>
- 不加词库效果如下:
- 自定义词库只要放到/data/web/search_cores/multicore/dic目录下,以words开头,dic结尾,每行一个词即可。如:words-my.dic
白云山
I
B
M
3
二次修改
加入自定义词后分词效果如下:
从上图可以看出,自定义词库已经生效。
遗留问题:加入英文字母后,分词效果仍没有,目前只对中文分词生效,英文如果想对单个字母分词,需要进一步分析。有知道的朋友,欢迎留言~