全文检索引擎Solr系列——整合中文分词组件mmseg4j

默认Solr提供的分词组件对中文的支持是不友好的，比如：“VIM比作是编辑器之神”这个句子在索引的的时候，选择FieldType为”text_general”作为分词依据时，分词效果是：

它把每一个词都分开了，可以想象如果一篇文章这样分词的搜索的体验效果非常差。能够和Solr集成的中文分词组件有很多，比如：mmseg4j、IkAnalyzer、ICTCLAS等等。各有各的特点。这篇文章讲述如何整合Solr与mmseg4j。mmeseg4j最新版本是1.9.1，下载解压，提取其中的三个文件：mmseg4j-analysis-1.9.1.jar， mmseg4j-core-1.9.1.jar，mmseg4j-solr-1.9.1.jar。放到目录：E:\solr-4.8.0\example\solr-webapp\webapp\WEB-INF\lib，修改配置文件schema.xml，添加下面的两段代码：
fieldType:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

<!-- mmseg4j--> <fieldType name= "text_mmseg4j_complex" class = "solr.TextField" positionIncrementGap= "100" >       <analyzer>           <tokenizer class = "com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode= "complex" dicPath= "dic" />       </analyzer>  </fieldType>  <fieldType name= "text_mmseg4j_maxword" class = "solr.TextField" positionIncrementGap= "100" >       <analyzer>           <tokenizer class = "com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode= "max-word" dicPath= "dic" />       </analyzer>  </fieldType>  <fieldType name= "text_mmseg4j_simple" class = "solr.TextField" positionIncrementGap= "100" >       <analyzer>         <!--          <tokenizer class = "com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode= "simple" dicPath= "n:/OpenSource/apache-solr-1.3.0/example/solr/my_dic" />          -->          <tokenizer class = "com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode= "simple" dicPath= "dic" />          </analyzer>  </fieldType> <!-- mmseg4j-->

与fieldType对应的field：

1 2 3 4 5

<!-- mmseg4j --> <field name= "mmseg4j_complex_name" type= "text_mmseg4j_complex" indexed= "true" stored= "true" /> <field name= "mmseg4j_maxword_name" type= "text_mmseg4j_maxword" indexed= "true" stored= "true" /> <field name= "mmseg4j_simple_name" type= "text_mmseg4j_simple" indexed= "true" stored= "true" /> <!--mmseg4j -->

此时就算配置完成了，重启服务：java -jar start.jar，来看看mmseg4j的分词效果怎么样，打开Solr管理界面，点击左侧的Analysis页面

对比之前的分词效果，改进了很多，差不多就是正常的语义了。这里在分词的时候你有可能会遇到一个问题：

TokenStream contract violation: reset()/close() call missing, reset() called multiple times, or subclass does not call super.reset(). Please see Javadocs of TokenStream class for more information about the correct consuming workflow.

这个是Solr4.8环境下mmseg4j的一个bug，这是mmseg4j-analysis-1.9.1.jar引起的，需要修改源码，找到文件：mmseg4j-1.9.1\mmseg4j-analysis\src\main\java\com\chenlb\mmseg4j\analysis\MMSegTokenizer.java，加上super.reset()：

1 2 3 4 5 6 7

public void reset() throws IOException {      //lucene 4.0      //org.apache.lucene.analysis.Tokenizer.setReader(Reader)      //setReader 自动被调用, input 自动被设置。      super .reset(); //加上这一行      mmSeg.reset(input); }

修改完之后用maven重启编译：mvn clean package -DskipTests，用新的mmseg4j-1.9.1\mmseg4j-analysis\target\mmseg4j-analysis-1.9.2-SNAPSHOT.jar替换掉原来那个文件，重启服务就ok了。

mmeseg4j-1.9.1这个版本的的词库全部打包放在了jar文件里面，因此无需再指定词库文件(chars.dic，units.dic，words.dic)，当然你也可以覆盖这些文件，只需要吧预替换的文件放在在WEB-INF\data\即可。

现在添加两个中文文档到索引中去，试试mmeseg4j的效果怎么样：

1 2 3 4 5 6 7 8 9 10

<add>       <doc>           <field name= "id" > 0001 </field>           <field name= "mmseg4j_complex_name" >把Emacs比作是神的编辑器，VIM比作是编辑器之神， 2012 年开始接触VIM，一直沿用至今，也曾今总结过VIM的相关知识，文章都整理在以前的ITeye博客和GitHub，这款古而不老的编辑器至今仍受众多程序员追捧，当然我也是忠实的VIM用户，这篇文章就是用VIM编辑完成。</field>       </doc>       <doc>           <field name= "id" > 0002 </field>           <field name= "mmseg4j_complex_name" >用Google搜索 "Python IDE" ，第一条就是stackoverflow上一个非常热门的问题： "what IDE to use for Python" ，上百种编辑器的功能对比图让人眼花缭乱。其中有我接触过的几款编辑器（IDE）包括：Eclilpse(PyDev)、VIM、NotePad++、PyCharm。如果你的日常开发语言是Python的话，再搜索 "python vim" ，大约有 328 万条结果，可见用VIM做Python开发的程序员那是相当之多，我大概总结的几点原因，当然不一定正确</field>       </doc>  </add>

保存为utf-8格式的文件名：mmseg4j-solr-demo-doc.xml，加入到Solr中去：

1 2 3 4 5 6 7

E:\solr- 4.8 . 0 \example\exampledocs>java -jar post.jar mmseg4j-solr-demo-doc.xml SimplePostTool version 1.5 Posting files to base url http: //localhost:8983/solr/update using content-type application/xml.. POSTing file mmseg4j-solr-demo-doc.xml 1 files indexed. COMMITting Solr index changes to http: //localhost:8983/solr/update.. Time spent: 0 : 00 : 01.055

看搜索结果：