Lucene7 使用Analyzer 过滤中文停用字符

Lucene7 使用Analyzer 过滤中文停用字符

当使用Lucene做中文分词全文检索的时候,经常会出现一个问题,就是一些常用的助词,例如:地、得、的等,一些一元的Analyzer会把这些词当做检索的词源。如何去掉这些词源呢,我是使用HanLP作为中文分词库的,但当我使用HanLP的CustomDictionary.remove(“的”)和StopWordDictionary.add(“的”)的时候,发现并没有什么卵用,于是我用了以下办法:

1.创建一个HanLPAnalyzer的子类

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.CharArraySet;
import org.apache.lucene.analysis.StopFilter;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.Tokenizer;
import org.apache.lucene.analysis.core.LowerCaseTokenizer;
import org.apache.lucene.analysis.core.StopAnalyzer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;

import com.hankcs.lucene.HanLPAnalyzer;

public class StopAnalyzerExtend extends HanLPAnalyzer {
    private CharArraySet stopWordSet;//停止词词典

    public CharArraySet getStopWordSet() {
        return this.stopWordSet;
    }

    public void setStopWordSet(CharArraySet stopWordSet) {
        this.stopWordSet = stopWordSet;
    }

    public StopAnalyzerExtend() {
        super();
        setStopWordSet(StopAnalyzer.ENGLISH_STOP_WORDS_SET);
    }

    /**
     * @param stops 需要扩展的停止词
     */
    public StopAnalyzerExtend(List<String> stops) {
        this();
        /**如果直接为stopWordSet赋值的话,会报如下异常,这是因为在StopAnalyzer中有ENGLISH_STOP_WORDS_SET = CharArraySet.unmodifiableSet(stopSet);
         * ENGLISH_STOP_WORDS_SET 被设置为不可更改的set集合
         */
        //stopWordSet = getStopWordSet();
        stopWordSet = CharArraySet.copy(getStopWordSet());
        stopWordSet.addAll(StopFilter.makeStopSet(stops));
    }

    @Override
    protected TokenStreamComponents createComponents(String fieldName) {
    	TokenStreamComponents tokenStreamComponents=super.createComponents(fieldName);
    	Tokenizer tokenizer=tokenStreamComponents.getTokenizer();
        return new TokenStreamComponents(tokenizer, new StopFilter(tokenizer, stopWordSet));
    }

    /*public static void main(String[] args) throws IOException {
        ArrayList<String> strings = new ArrayList<String>() {{
            add("的");
            add("人");
        }};
        
        Analyzer analyzer = new StopAnalyzerExtend(strings);
        String content = "我爱的人";
        TokenStream tokenStream = analyzer.tokenStream("myfield", content);
        tokenStream.reset();
        
        CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
        while (tokenStream.incrementToken()) {
            // 已经过滤掉自定义停用词
            // 输出:playing   together
            System.out.println(charTermAttribute.toString());
        }
        tokenStream.end();
        tokenStream.close();
    }*/
}

2.调用该子类做Query

ArrayList<String> strings = new ArrayList<String>() {{
            add("的");
            add("得");
        }};
        
        Analyzer analyzer = new StopAnalyzerExtend(strings);
        Map<String, Float> boostMap = new HashMap<String, Float>();  
			boostMap.put(UtilConstants.SearchResultFields.FILE_CONTENT,5.0f);
			boostMap.put(UtilConstants.SearchResultFields.FILE_NAME,1.0f);
			BooleanQuery.Builder  builder=new BooleanQuery.Builder();
			
			List<Query> queryList=new ArrayList<>();
			
			String[] fields = {UtilConstants.SearchResultFields.FILE_NAME, UtilConstants.SearchResultFields.FILE_CONTENT};
			QueryParser queryParserMut = new MultiFieldQueryParser(fields, analyzer,boostMap);  
			// 根据传进来的par查找
			 Query queryKeyword = queryParserMut.parse(keyword); 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值