Solr6.5配置中文分词器

最新推荐文章于 2019-12-21 14:53:09 发布

hxpjava1

最新推荐文章于 2019-12-21 14:53:09 发布

阅读量415

点赞数

分类专栏： solr

solr 专栏收录该内容

31 篇文章 1 订阅

订阅专栏

Solr作为搜索应用服务器，我们在使用过程中，不可避免的要使用中文搜索。以下介绍solr自带的中文分词器和第三方分词器IKAnalyzer。

注：下面操作在Linux下执行，所添加的配置在windon下依然有效。

运行环境

- 　　Solr：6.5.1
- 　　系统 : Linux

以下是设置 solr中文分词器的方法。

注：开始之前，假定你已经成功登录solr的界面，并创建了core。

一：使用solr自带中文分词器

1、进入解压好的solr文件夹根目录下执行以下命令

1 cp ./contrib/analysis-extras/lucene-libs/lucene-analyzers-smartcn-6.5.1.jar /opt/tomcat-solr/webapps/solr/WEB-INF/lib/

复制lucene-analyzers-smartcn-6.5.1.jar该文件到 Tomcat下的 solr web应用中的lib目录下，不清楚的可以看执行命令的地址。复制的文件就是 solr自带的中文分词器。

注：如果没有解压的目录，那么在solrhome的目录下也存在contrib这个文件夹，如果你已经成功登录过solr界面的话。

2、进入core目录下的conf文件夹，

打开 managed-schema文件，跳至文件最后，在最后添加新的字段类型如下

1 <!--solr cnAnalyzer-->
2   <fieldType name="solr_cnAnalyzer" class="solr.TextField" positionIncrementGap="100">
3       <analyzer type="index">
4         <tokenizer class="org.apache.lucene.analysis.cn.smart.HMMChineseTokenizerFactory"/>
5       </analyzer>
6       <analyzer type="query">
7         <tokenizer class="org.apache.lucene.analysis.cn.smart.HMMChineseTokenizerFactory"/>
8       </analyzer>
9   </fieldType>

　　fieldType: 字段类型属性

name: 字段类型名称(可以理解为Java的数据类型名称。例如： int、double、String等Java中的数据类型名称)

class: 数据类型（默认文本数据即可,还有其他的例如：字符串、浮点、整形等）
看下面的配置文件中其他字段类型，应该很容易理解了：

1  <!-- 字符串 -->
2 　　 <fieldType name="string" class="solr.StrField" sortMissingLast="true" />
3  <!-- 布尔类型 -->
4 　　 <fieldType name="boolean" class="solr.BoolField" sortMissingLast="true"/>
5  <!-- 整形 -->
6     <fieldType name="int" class="solr.TrieIntField" precisionStep="0" positionIncrementGap="0"/>
7  <!-- 浮点 -->
8     <fieldType name="float" class="solr.TrieFloatField" precisionStep="0" positionIncrementGap="0"/>

　 positionIncrementGap:一个doc中的属性有多个值时候，设置每个属性之间的增量值和multiValued属性配合使用(避免错误匹配)。
　 type: 分词生效的范围，两个参数分别是 index和query，表示 创建索引和搜索时候都生效。不写默认情况下两者均生效。
　

　3、添加完毕之后，保存退出并重新启动 Tomcat服务器，继续访问solr。在创建的core中 Analyzer测试中文分词结果如下。

测试之后，可以看到短语确实被分割了，但是有些停止词没有被去掉(的、是)，也没有去除符号(，),可以在属性上添加 words添加停词字典。那么我们下面试试第三方的分词器.

二：solr 第三方中文分词器 IKAnalyzer

　　在使用IKAnalyzer分词器之前，先说明由于作者在12年之后没有更新，导致旧版本的分词器和新版本的solr无法匹配。因此在源码的基础上做些改动，以兼容新版的solr。

1、首先修改分词器：

IK的分词器 IKTokenizer类实现了抽象类Tokenizer。在IKTokenizer的构造方法中调用了父类Tokenizer的构造方法，代码如下

1   public IKTokenizer(Reader in, boolean useSmart) {
2     　　super(in);
3     　　offsetAtt = addAttribute(OffsetAttribute.class);
4     　　termAtt = addAttribute(CharTermAttribute.class);
5     　　typeAtt = addAttribute(TypeAttribute.class);
6     　　_IKImplement = new IKSegmenter(input, useSmart);
7   }

Tokenizer构造器：

1 protected Tokenizer(AttributeFactory factory) {
2     super(factory);
3   }

可以看到上面的代码中，构造器调用了父类的构造器，出现不兼容的原因是因为现在的抽象类Tokenizer的构造方法中接受的是 AttributeFactory这个类型，而IKTokenizer传递的Reader不匹配。所以在此基础上做了如下修改

 1     //分析器调用
 2     public IKTokenizer(Reader in, boolean useSmart) {
 3         offsetAtt = addAttribute(OffsetAttribute.class);
 4         termAtt = addAttribute(CharTermAttribute.class);
 5         typeAtt = addAttribute(TypeAttribute.class);
 6         _IKImplement = new IKSegmenter(input, useSmart);
 7     }
 8     
 9     //分词器工厂调用
10     public IKTokenizer(AttributeFactory factory, boolean useSmart) {
11         super(factory);
12         offsetAtt = addAttribute(OffsetAttribute.class);
13         termAtt = addAttribute(CharTermAttribute.class);
14         typeAtt = addAttribute(TypeAttribute.class);
15         _IKImplement = new IKSegmenter(input, useSmart);
16     }

在第一个代码中删除了调用父类构造器的过程，主要用于分析器调用，然后第二个是因为在设置配置文件managed-schema中设置分析器和构造器结合使用的时候需要用到工厂类，因此在此处也创建了一个新的构造方法，接收一个AttributeFactory类型的参数，下面会看到他的用处。

2、分析器 IKAnalyzer。

IK分析器中IKAnalyzer重写父抽象类Analyzer中的createComponents方法,原代码如下

1   /**
2    * 重载Analyzer接口，构造分词组件
3    */
4   @Override
5   protected TokenStreamComponents createComponents(String fieldName, final Reader in) {
6     　　Tokenizer _IKTokenizer = new IKTokenizer(in, this.useSmart());
7     return new TokenStreamComponents(_IKTokenizer);
8   }

由于现在的Analyzer的抽象方法createComponents，只需要一个 fieldName参数，并不需要Reader，因此直接删除Reader即可。同时因为分词器中也不需要Reader对象,在原来的分词器IKAnalyzer是接收Reader对象后又传递给了父类的构造器，但是在新版的solr中不需要了，而且分词器IKAnalyzer中也没有使用该对象。

1     @Override
2     protected TokenStreamComponents createComponents(String fieldName) {
3         IKTokenizer it = new IKTokenizer(useSmart);
4         return new Analyzer.TokenStreamComponents(it);
5     }

其实并没更改什么，去掉了Reader，然后创建分词器实例返回。如果这时候在managed-schema配置文件中设置分析器已经可以使用了如下：

1 <fieldType name="IK_cnAnalyzer" class="solr.TextField">
2 　　<analyzer class="org.wltea.analyzer.lucene.IKAnalyzer"/>
3 </fieldType>

　　直接指定修改后的IK分词器给分析器。在单独给分析器指定分词器时候，不要在 fieldType(字段类型) 加上positionIncrementGap 参数，否则会报错：

　　java.lang.RuntimeException: Can't set positionIncrementGap on custom analyzer class org.wltea.analyzer.lucene.IKAnalyzer

　　直接使用solr中文分析器时候，同样无法指定 fieldType 的属性positionIncrementGap，那么应该 solr在直接设定分析器的时候是无法指定该属性的。

注：analyzer(分析器)上还可以设置 type属性，告诉solr在什么时候会生效。分别是index和query，在创建索引时候生效，在查询时候生效。默认不写同时生效.

　　 class：直接指定的分析器(Analyzer)不能是分词的工厂类(Factory)或者分词器(Tokenizer)

上面的修改已经可以使用分析器了，但是如果和分词器和过滤器配合使用，那么必须创建一个可以生产分词器的工厂类。该工厂类实org.apache.lucene.analysis.util.TokenizerFactory抽象类.而且必须实现create方法。

同时还要在构造器中调用父接口的构造器，并传递一个Map类型的参数。

3、IKTokenizerFactory工厂类

 1 package org.wltea.analyzer.lucene;
 2 
 3 import java.util.Map;
 4 
 5 import org.apache.lucene.analysis.Tokenizer;
 6 import org.apache.lucene.analysis.util.TokenizerFactory;
 7 import org.apache.lucene.util.AttributeFactory;
 8 
 9 /**
10  * IK分词工厂类。 用于配置文件中 分析器添加分词器(必须工厂类)。
11  */
12 public final class IKTokenizerFactory extends TokenizerFactory {
13 
14     private boolean useSmart;
15 
16     // 从页面传递的值中。设置 useSmart 的值
17     public IKTokenizerFactory(Map<String, String> args) {
18         super(args);
19         /*
20          * 判断Map容器中是否存在useSmart的可以，如果有获取该key对应的value。
21          * 如果没有,则设置默认值，也就是第三个参数 false
22          */
23         useSmart = this.getBoolean(args, "useSmart", false);
24         if (!args.isEmpty()) {
25             throw new IllegalArgumentException("Unknown parameters: " + args);
26         }
27     }
28 
29     @Override
30     public Tokenizer create(AttributeFactory factory) {
31         return new IKTokenizer(factory, useSmart);
32     }
33 }

　　可以看到该分词器实现父类的create方法时候接受了一个AttributeFactory, 是不是很熟悉，在上面修改的IKTokenizer中新增的构造器内接受该类型的参数，并调用父类的构造器，又将参数传递给了父类。

　　因此IKTokenizer中的第二个构造器就是用于该工厂调用并传递参数，然后创建实例返回。

　　至于另外一个问题，构造器必须调用父类的构造器，然后创建Map类型的参数，传递给父类构造器，是因为父类TokenizerFactory只有一个带参数的构造器，没有默认构造器。子类IKTokenizerFactory在初始化过程中，必须调用父类的构造器。即使传递null值给父类。

　　而Map容器的作用是：在配置文件managed-schema中，设置分词器的时候，可以传递参数。用于设置分词器中的参数，例如上面的 useSmart，就是用于IK分词器是否开启智能分词的关。

　　至此修改全部完毕，最后只需要将修改后的编译文件放入 IK的jar包内即可。注意包路径为

org.wltea.analyzer.lucene

　　如果觉得修改麻烦，可以直接下载修改后的文件下载地址：点我下载压缩包内包含了修改后的文件，和 IK的源码等。

　　4、IK在Linux上的设置方式

　　先将IK的jar文件和配置文件上传到Linux系统中

复制 IK jar包到 solr/WEB-INF/lib 目录下

1 cp IKAnalyzer2012FF_u1-6.51.jar /opt/tomcat-solr/webapps/solr/WEB-INF/lib/

复制配置文件到 solr/WEB-INF/classes目录下

1 cp ext.dic IKAnalyzer.cfg.xml stopword.dic /opt/tomcat-solr/webapps/solr/WEB-INF/classes/

　　进入solrhome中打开managed-schema文件，添加IKAnalyzer

　　我的路径配置路径：/opt/tomcat-solr/solrhome/home/mycore/conf 　请根具个人路径修改配置文件

　　5、在上问添加solr中文分词器后面重现加入以下代码

 1 <!-- IKAnalyzer -->
 2 <fieldType name="IK_cnAnalyzer" class="solr.TextField" positionIncrementGap="100">
 3  　　  <analyzer type="index">
 4 　　　　　　<tokenizer class="org.wltea.analyzer.lucene.IKTokenizerFactory" useSmart="false"/>
 5 　　 　</analyzer>
 6   　　 <analyzer type="query">
 7       　　 <tokenizer class="org.wltea.analyzer.lucene.IKTokenizerFactory" useSmart="false"/>
 8       </analyzer>
 9  </fieldType>
10  
11   <!-- IKAnalyzer Field-->
12   <field name="IK_content" type="IK_cnAnalyzer" indexed="true" stored="true"/>

注：如果在操作之前，通过solr界面的 AddField 方式添加了新的字段，那么配置文件中的数据会被solr全部重新更改，字段类型出现在第一行。所有请根据情况修改配置文件

　　在analyzer(分析器)中设置了 index和query说明创建索引和查询的时候都使用分词,因此如果有特殊要求，可以指定索引和查询时候设置不同的分词器。

　 useSmart为工厂对象的构造方法接受的参数,就是上面说到的分词工厂类中的 Map接受该参数。设置是否使用智能分词.默认为false，使用细粒度分词

注：此处的 class只能是工厂对象，并由工厂对象负责创建分词器实例。工厂对象需要继承org.apache.lucene.analysis.util.TokenizerFactory这个抽象类，并实现其中的create方法,实现的工厂对象必须用final修饰。

　　添加分词结果后的managed-schema文件如下：

6、添加完保存之后，重新访问 solr，然后在 core的 Analyzer中测试结果如下

因为新增的字段 IK_content，指定的字段类型是IK_cnAnalyzer，该类型使用的是IK中文分词器，所以使用指定字段或者字段类型，分词结果是一样的。

7、设置ik的扩展词库，

在/opt/tomcat-solr/webapps/solr/WEB-INF/classes 目录下的可以设置 ik的扩展字典

现在打开配置文件 IKAnalyzer.cfg.xml,

然后在打开扩展字典配置文件 ext.dic 添加全文搜索、服务器。然后重启 Tomcat。

8、重启Tomcat服务器之后，继续分词查看结果如下

很显然扩展字典生效了，出现了新增的全文搜索、服务器两个词组，因此如有需要可以在扩展字典中添加词组。至于后面重复出现词组(分词后的)，是因为IK分词子默认开启了细粒度的分词，如果需要开启智能分词可以将配置文件中的 useSmart 设置为true即可。下面是开启智能分词后的结果：

　　可以根据需求是否开启智能分词，至此solr的中文分词到此结束。

　　总结：

　　　　设置solr的分词只需要将分词器的jar包放入solr的依赖文件内，然后在核心core中的managed-schema设置需要的分词即可。

文章有很多不足的地方,欢迎大家指正！

hxpjava1

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Solr6.5配置中文分词器

Solr作为搜索应用服务器，我们在使用过程中，不可避免的要使用中文搜索。以下介绍solr自带的中文分词器和第三方分词器IKAnalyzer。注：下面操作在Linux下执行，所添加的配置在windon下依然有效。运行环境　　Solr：6.5.1　　系统 : Linux 以下是设置 solr中文分词器的方法。注：开始之前，假定你
复制链接

扫一扫