如何在Hibernate Search 5.5.2 / Apache Lucene 5.4.x中处理停用词？

停用词，例如[“ a”，“ an”，“ and”，“ are”，“ as”，“ at”，“ be”，“ but”，“ by”，“ for”，“ if”，“在”，“成”，“是”，“它”，“不”，“不”，“的”，“在”，“或”，“这样”，“那个”，“那个”，“他们的” ，“当时”，“那里”，“这些”，“它们”，“此”，“至”，“是”，“将”，“具有”]以及它们在术语或数据库或文件中的存在被lucene索引/搜索可能导致以下任何情况：

1. 在Lucene索引过程中停止忽略/过滤单词
2. 在Lucene查询过程中停止忽略/过滤单词
3. 包含，以任何停用词开头或结尾的查询均无结果

在索引和搜索过程中解决此问题或处理它们的方法如下。 如果您使用的是Hibernate Search 5.5.2，而后者又使用的是Apache Lucene 5.3.x / 5.4.x，则此处说明的方法特别适用。

1.定义自定义分析器，改编自标准分析器

您只需包含两个过滤器-“ LowerCaseFilterFactory”和“ StandardFilterFactory”作为Tokenizer定义的一部分。 我们此处未包括的过滤器工厂是“ StopFilter”。 这样可以将停用词视为其他普通英语词，并将它们编入索引。

@Entity 
@Indexed 
@Table(name="table_name", catalog="catalog_name") 
@AnalyzerDef(name = "FedexTextAnalyzer",
   tokenizer = @TokenizerDef(factory = StandardTokenizerFactory.class), 
   filters = {
     @TokenFilterDef(factory = LowerCaseFilterFactory.class),
     @TokenFilterDef(factory = StandardFilterFactory.class) 
})

2.用相关注释标记字段（@Field上的@Analyzer）

连同每个实体或表的列字段上的@Field批注一起，声明我们上面定义的分析器。

@Column(name="Fedex_cs_product_name", nullable=false, length=100)
@Field(index=Index.YES, analyze=Analyze.YES, store=Store.NO, analyzer=@Analyzer(definition = "FedexTextAnalyzer"))
public String getFedexCsItemName() {
   return this.FedexCsItemName;
}

3.使用WhitespaceAnalyzer进行查询，以便默认情况下对停用词进行“处理”

尽管官方文档说如果我们通过将Stop Words的参数作为CharArraySet传入来使用“ StandardAnalyzer” 。 EMPTY_SET我发现查询仍然无法检索任何结果。 在与卢克一起进行分析时，我发现对于诸如“面向初学者的计算机科学书籍”之类的查询，“ for”被忽略了。 奇怪！ 我用WhitespaceAnalyzer替换了它，发现它适用于所有“停止词”和所有“案例”。

我发现以上是解决此问题的最佳/最小方法。 此外，我们的质量检查已验证了它适用于所有“停止词”案例！ 希望这对您有所帮助。

翻译自: https://www.javacodegeeks.com/2016/04/handle-stop-words-hibernate-search-5-5-2-apache-lucene-5-4-x.html