集团的内部通讯工具搜同事时,需要根据姓名后缀进行搜索。譬如“徐欢春”,我们要能根据“欢春”搜出这个人;“黄继刚”,要根据“继刚”为关键字搜出“黄继刚”。这是个很人性化的用户体验,当我们有同事的名字是三个字的时候,我们通常会叫他们名字的最后两个字。Lucene本身并没有提供这种分词器,只能自己照着Lucene已有的分词器进行模仿开发。
参照ngram分词器进行开发。
要定制这个后缀分词器,实现一个Tokenizer和一个工厂类就可以了。Tokenizer类是实际分词是要用到的类。为了方便单元测试,额外增加一个Analyzer类。
分词器类
package org.apache.lucene.analysis.suffix;import java.io.IOException;import java.io.Reader;import org.apache.commons.logging.Log;import org.apache.commons.logging.LogFactory;import org.apache.lucene.analysis.Tokenizer;import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;/** * 用于姓名取后缀的分词器 * * @author cdlvsheng * date : 2014年9月23日 * time : 下午1:49:36 * project : im-solr-web * user : cdlvsheng */public class SuffixTokenizer extends Tokenizer { private Log LOG = LogFactory.getLog(SuffixTokenizer.class); private char[] buffer = new char[1024]; private int suffixOffset; private static int MAX_SIZE; private int termSize; private final CharTermAttribute termAtt = addAttribute(CharTermAttribute.class); private final OffsetAttribute offsetAtt = addAttribute(OffsetAttribute.class); protected SuffixTokenizer(Reader input) { super(input); } protected SuffixTokenizer(AttributeFactory factory, Reader input) { super(factory, input); } @Override public boolean incrementToken() throws IOException { try { clearAttributes(); if (termSize != -1) { termSize = input.read(buffer); if (termSize >= 0) { MAX_SIZE = termSize; } } if (suffixOffset + 1 >= MAX_SIZE) { return false; } termAtt.copyBuffer(buffer, suffixOffset, MAX_SIZE); termAtt.setLength(MAX_SIZE - suffixOffset); offsetAtt.setOffset(correctOffset(suffixOffset), correctOffset(MAX_SIZE)); LOG.debug(termAtt.buffer()); suffixOffset++; } catch (Exception e) { LOG.error(e.getMessage(), e); } return true; } @Override public final void end() { final int finalOffset = correctOffset(suffixOffset); this.offsetAtt.setOffset(finalOffset, finalOffset); } @Override public void reset() throws IOException { super.reset(); termSize = 1; suffixOffset = 1; MAX_SIZE = 0; }}
incrementToken方法是实际分词时用到的方法。一会单元测试时可以看出它的作用。
工厂类
package org.apache.lucene.analysis.suffix;import java.io.Reader;import java.util.Map;import org.apache.lucene.analysis.Tokenizer;import org.apache.lucene.analysis.util.TokenizerFactory;import org.apache.lucene.util.AttributeSource.AttributeFactory;public class SuffixTokenizerFactory extends TokenizerFactory { public SuffixTokenizerFactory(Map<String, String> args) { super(args); } @Override public Tokenizer create(AttributeFactory factory, Reader input) { return new SuffixTokenizer(factory, input); }}
工厂类的作用就是产生分词器类的实例。
analyzer类
package org.apache.lucene.analysis.suffix;import java.io.Reader;import org.apache.lucene.analysis.Analyzer;import org.apache.lucene.analysis.Tokenizer;public final class SuffixAnalyzer extends Analyzer { @Override protected TokenStreamComponents createComponents(String fieldName, Reader reader) { final Tokenizer source = new SuffixTokenizer(reader); return new TokenStreamComponents(source, source); }}
以上3个类合作就构成了一个完整的自定义分词器组件。
单元测试
package test.prefix.tokenizer;import java.io.IOException;import org.apache.lucene.analysis.TokenStream;import org.apache.lucene.analysis.suffix.SuffixAnalyzer;import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;import org.junit.Test;/** * @author cdlvsheng * date : 2014年9月22日 * time : 下午7:23:01 * project : im-solr-web * user : cdlvsheng */public class SuffixTest { @SuppressWarnings("resource") @Test public void suffixTest() { try { SuffixAnalyzer analyzer = new SuffixAnalyzer(); TokenStream ts = analyzer.tokenStream("text", "黄继刚"); CharTermAttribute term = ts.addAttribute(CharTermAttribute.class); ts.reset(); while (ts.incrementToken()) { System.out.println(term.toString()); } ts.end(); ts.close(); } catch (IOException e) { e.printStackTrace(); } }}
程序输出结果:
继刚
学习一个新的框架,照葫芦画瓢可能是最快捷的方式,但是有点赶鸭子上架的感觉。