Lucene Analyzer(分词器)

Analyzer(分词器)

分词器能以某种规则对关键字进行分词,将分好的词放到目录中,以作为检索到的条件,在创建索引时会使用到分词器,在搜索时也将用到分词器,这两个地方要使用同一个分词器,否则可能找不到结果.分词器一般的工作流程:

1. 切分关键词
2. 去除停用词
3. 对于英文单词,把所有字母转为小写

注:有的分词器对英文支持的非常好,还能对英文单词进行时态还原.

停用词的概念

有些词在文本中出现的频率非常高,但是对文本所携带的信息基本不产生影响,例如英文的“a、an、the、of”,或中文的“的、了、着”,以及各种标点符号等,这样的词称为停用词（stop word）.文本经过分词之后,停用词通常被过滤掉,不会被进行索引.在检索的时候,用户的查询中如果含有停用词,检索系统也会将其过滤掉（因为用户输入的查询字符串也要进行分词处理）.排除停用词可以加快建立索引的速度,减小索引库文件的大小

常用的中文分词器

中文的分词比较复杂,因为不是一个字就是一个词,而且一个词在另外一个地方就可能不是一个词,如在"帽子和服装"中,"和服"就不是一个词.对于中文分词,通常有三种方式：

• 单字分词
• 二分法分词
• 词典分词

单字分词：就是按照中文一个字一个字地进行分词.如："我们是中国人",效果："我"、"们"、"是"、"中"、"国"、"人".（StandardAnalyzer就是这样）

二分法分词：按两个字进行切分.如："我们是中国人",效果："我们"、"们是"、"是中"、"中国"、"国人".（CJKAnalyzer就是这样）

词库分词：按某种算法构造词,然后去匹配已建好的词库集合,如果匹配到就切分出来成为词语.通常词库分词被认为是最理想的中文分词算法.如："我们是中国人",效果为："我们"、"中国人".（使用极易分词的MMAnalyzer.可以使用极易分词,或者是庖丁分词分词器、IKAnalyzer等）.

测试分词器

/**

* 使用指定的分词器对指定的文本进行分词,并打印结果

* @param analyzer

* @param text

* @throws Exception

*/

private void testAnalyzer(Analyzer analyzer, String text) throws Exception {

System.out.println("当前使用的分词器：" + analyzer.getClass());

TokenStream tokenStream = analyzer.tokenStream("content", new StringReader(text));

tokenStream.addAttribute(TermAttribute.class);

while (tokenStream.incrementToken()) {

TermAttribute termAttribute = tokenStream.getAttribute(TermAttribute.class);

System.out.println(termAttribute.term());

}

}

Highlighter(高亮器)

在搜索结果中经常可以看到,自己搜索的关键字加上了一些效果,以突出显示,Lucene自然提供了这样的设置,我们需要用到Highlighter这个类,用之前需要配置好:

/**

* Formatter:设置高亮器的格式,无参构造函数表示使用<b>标签

* Scorer:Highlighter需要知道哪些关键词是需要高亮的,需要需要查询条件

*/

Formatter formatter = new SimpleHTMLFormatter();

Scorer scorer = new QueryScorer(query);

Highlighter highlighter = new Highlighter(formatter,scorer);

//除了上面两个以外,还需要生成一段摘要,以便搜索的时候显示,指定摘要的大小为20个字符

Fragmenter fragmenter = new SimpleFragmenter(20);

highlighter.setTextFragmenter(fragmenter);

只需要配置这三样就可以了,接着我们要在每一次获取Field对象数据的时候做一些工作,因为高亮器实际上就是在内容中加了一点样式,我们当然要指定在哪里加:

/**

* 在循环获取每一条记录的时候,让高亮器找到需要高亮的关键词,

* 要提供相应的分词器和告诉它高亮哪一个Field中的内容

* 一次只能高亮一个Field,如需要高亮多个Field,需要写多次

* 就像这样:

String text1 = highlighter.getBestFragment(

Configuration.analyzer, "title",

doc.get("title"));

*/

String text = highlighter.getBestFragment(Configuration.analyzer, "content", doc.get("content"));

if(text != null){

doc.getField("content").setValue(text);

}

一定要放在循环里面,highlighter.getBestFragment()方法本身没有副作用,也就是不改变原有的值,返回一个改变后的结果,所以要手动地改变Field中原有的值,并且if的条件最好不要省略,有时候可以会有这样一种情况,出现关键字的位置在其他Field里面,所以如果当前高亮的属性值中没有出现搜索关键字,则返回null.

排序

排序有几种方式,最常用的也就是相关度排序,把最有可能是用户需要的数据放在前面.由高到低排序,默认即是使用相关度排序.当然,我们也可以控制相关度排分的比重,比如我们想让一条记录的得分加倍,就要在建立索引时,加几句操作:

Document doc = DocumentUtils.docConvert(article, Document.class);

//setBoost()方法需要一个float类型的参数,表示将相关度得分的因子增加多少倍

doc.setBoost(2F);

indexWriter.addDocument(doc);

这样加进去的索引,就会改变默认的相关度得分因子.如果我们想靠某个Field的值来排序也可以,默认是升序,如果是按某个Field的值来排序,那将不会生成相关度得分,因为没有必要.假设按ID进行升序排列:

Sort sort = new Sort(new SortField("id",SortField.INT));

TopDocs topDocs = indexSearcher.search(query,null, 100,sort);

IndexSearcher的search()方法需要改成接收4个参数的重载方法,第二个参数需要一个Filter,这里不需要,就传入null,Sort需要知道按什么排序,由SortField的第一个构造参数指明,第二参数指明类型,接收一个int值,由SortField对象的常量值表示.还可以加入第三个参数:

Sort sort = new Sort(new SortField("id", SortField.INT, true));

表示是否倒序排序.也可以指定多个排序规则.由多个SortField组成第1顺序、第2顺序...

过滤

使用Filter可以对搜索结果进行过滤,以获得更小范围的结果.使用Filter对性能的影响很大(有可能会使查询慢上百倍).假如我要看ID从5到15的:

//第三个参数:是否包含最小值(5);第四个参数:是否包含最大值(15)

Filter filter = NumericRangeFilter.newIntRange("id", 5, 15, true,true);

//这个时候就不需要第四个参数来指定排序了,search()这个方法有很多重载版本

TopDocs topDocs = indexSearcher.search(query,filter, 100);

光这样写还不行,会看不到结果.这是因为要过滤的值,如果是数字,需要以指定的格式存储才行,否则将按字符串的方式来比较.

对于这个问题,需要引出一个工具类:NumericUtils,这个工具类专门做数值与数值或字符串间的转换工作.要在对象到Document以及Document到对象的转换的时候进行,这是对于数值,如果是日期类型,需要使用这个工具类:DateTools.

注:这样做了以后,可能还是不行,对于使用NumericUtils把数字转换为字符串,一定要使用Index.NOT_ANALYZED,以保存能够正确的使用Filter

 

其他搜索

首先,有两种搜索方式:

1. 使用QueryParser（或MultiFieldQueryParser）解析查询字符串的方式
2. 自己直接创建Query子类的实例方式

由于可以使用Query对象的toString()方法打印出对应的查询语法,所以以第二种方式做的话,可以看相应的第一种查询方法:

/*   1.匹配所有对应的查询字符串为:       *:*

Query query = new MatchAllDocsQuery();

2.范围查询对应的查询字符串为：      id:[5 TO 15]

Query query = NumericRangeQuery.newIntRange("id", 5, 15, true, true);

范围查询对应的查询字符串为：      id:{5 TO 15}

Query query = NumericRangeQuery.newIntRange("id", 5, 15, false,false);

范围查询对应的查询字符串为：      id:{5 TO 15]

Query query = NumericRangeQuery.newIntRange("id", 5, 15, false, true);

3.关键词对应的查询字符串为：        title:lucene

Query query = new TermQuery(new Term("title", "lucene"));

4.通配符对应的查询字符串为：        title:lucen?

Query query = new WildcardQuery(new Term("title", "lucen?"));

通配符对应的查询字符串为：        title:lu*ne

Query query = new WildcardQuery(new Term("title", "lu*ne"));

5.短语对应的查询字符串为：          title:"lucene ? ? 工作"

PhraseQuery phraseQuery = new PhraseQuery();

phraseQuery.add(new Term("title", "lucene"), 0); // 第一个词的索引是0

phraseQuery.add(new Term("title", "工作"), 3);

短语对应的查询字符串为：          title:"lucene 工作"~5

phraseQuery.add(new Term("title", "lucene"));

phraseQuery.add(new Term("title", "工作"));

phraseQuery.setSlop(5); // 指定这些词中间的间隔最多不会超过5个词

6.布尔查询

对应的查询语法两种：

1. + 代表MUST，-表示NOT

2. AND、OR、NOT，注意要全是大写

3. MUST        必须满足

MUST_NOT    非

SHOULD        多个SHOULD一起用，是OR的关系

Query query1 = new TermQuery(new Term("title", "lucene"));

Query query2 = NumericRangeQuery.newIntRange("id", 5, 15, false, true);

对应的查询字符串为：          +title:lucene +id:{5 TO 15]

对应的查询字符串为：          title:lucene AND id:{5 TO 15]

booleanQuery.add(query1, Occur.MUST);

booleanQuery.add(query2, Occur.MUST);

对应的查询字符串为：          +title:lucene -id:{5 TO 15]

对应的查询字符串为：          title:lucene NOT id:{5 TO 15]

booleanQuery.add(query1, Occur.MUST);

booleanQuery.add(query2, Occur.MUST_NOT);

对应的查询字符串为：          title:lucene id:{5 TO 15]

对应的查询字符串为：          title:lucene OR id:{5 TO 15]

booleanQuery.add(query1, Occur.SHOULD);

booleanQuery.add(query2, Occur.SHOULD);

----------------------------------------------------

MUST + SHOULD，与只有一个MUST效果相同

SHOULD + MUST_NOT，这时SHOULD就相当MUST

MUST_NOT + MUST_NOT，没有匹配结果，也不报错。

*/