lucene 分词器

最新推荐文章于 2024-09-12 17:53:15 发布

qq312788172

最新推荐文章于 2024-09-12 17:53:15 发布

阅读量71

点赞数

分类专栏： lucene 文章标签： lucene Apache

本文链接：https://blog.csdn.net/qq312788172/article/details/83733512

版权

lucene 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

lucene的英文分词器主要用到StandardAnalyzer，中文的主要是极易分词MMAnalyzer（需要单独引jar包je-analysis-1.5.3.jar）。

英文分词的过程：[color=red][size=large]1,关键词切分->2,去除停用词（is of）->3,形态还原（ing,ed,复数等）->4,转化为小写[/size][/color]

中文分词：：[color=red][size=large]1,关键词切分->2,去除停用词（的着）[/size][/color]



import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.SimpleAnalyzer;
import org.apache.lucene.analysis.Token;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.standard.StandardAnalyzer;

public class AnalyzerTest {


	static String  enText = "The PGP signatures can be verified using PGP or GPG. ";
	static String  chText = "世界发达国家居民消费1000度的电能的费用占全国月平均工资的6.79%";
	static Analyzer en1 = new StandardAnalyzer();
	static Analyzer en2 = new SimpleAnalyzer();
	static Analyzer ch1 = new MMAnalyzer();



	/**
	 * @param args
	 */
	public static void main(String[] args) throws Exception{
		// TODO Auto-generated method stub
		new AnalyzerTest().analyze(chText, ch1);

	}


	public void analyze(String text,Analyzer analyzer) throws Exception{
		TokenStream tokenStream = analyzer.tokenStream(null, new StringReader(text));
		for (Token token = new Token();(token = tokenStream.next(token))!= null;){
			System.out.println(token);
		}
	}

}