OK,直接开门见山,不绕弯子啦!基于上篇博客,我们知道了在Solr中配置分词器有两种方式,一种是直接配置分词器类,比如:
<fieldType name="text_ik" class="solr.TextField"> <analyzer class="org.wltea.analyzer.lucene.IKAnalyzer" /> </fieldType>
一种是配置TokenizerFactory类,由于Solr API中并没有内置类似IK,Ansj这样的中文分词器的TokenizerFactory类,所以我们需要自己扩展,不过你们不用担心,我已经扩展好了。配置样例如下:
<fieldType name="text_ik" class="solr.TextField"> <analyzer type="index"> <tokenizer class="org.apache.lucene.analysis.ik.IKTokenizerFactory" useSmart="true"/> </analyzer> <analyzer type="query"> <tokenizer class="org.apache.lucene.analysis.ik.IKTokenizerFactory" useSmart="false"/> </analyzer> </fieldType>
我扩展的AnsjTokenizerFactory源码如下:
public class AnsjTokenizerFactory extends TokenizerFactory {
/**是否查询分词*/
private boolean query;
/**是否分析词干.进行单复数,时态的转换(只针对英文单词)*/
private boolean pstemming;
/**自定义停用词词典文件路径*/
private String stopwordsDir;
public AnsjTokenizerFactory(Map<String, String> args) {
super(args);
query = getBoolean(args, "query", false);
pstemming = getBoolean(args, "pstemming", false);
stopwordsDir = get(args, "stopwordsDir", "");
}
@Override
public Tokenizer create(AttributeFactory factory) {
if(query) {
return new AnsjTokenizer(factory,new ToAnalysis(new Forest[0]),stopwordsDir,pstemming);
}
return new AnsjTokenizer(factory,new IndexAnalysis(new Forest[0]),stopwordsDir,pstemming);
}
}
下面介绍如何在Solr中使用Ansj分词器,首先你需要在Solr_home的core\lib目录下添加依赖的jar:
ansj_seg-2.0.8.jar(戳我试试(*^__^*) 嘻嘻)
solr-analyzer-ansj-5.1.0.jar(这个jar包体积较小,请在底下的附件里下载)
nlp-lang-0.2.jar(这是ansj-seg-2.0.8.jar依赖的jar包)
如图:
然后在schema.xml中添加如下配置:
至于query,pstemming,stopwordsDir这3个配置参数的含义,请看我在源码中作的注释,如图:
query参数:分词的两个阶段:建立索引阶段和查询阶段,即表示是否为查询阶段分词,针对不同的分词阶段采用的分词策略是不一样的。具体看源码,如图:
pstemming:表示是否对英文单词进行单复数转换以及时态转换,比如apples还原成apple,loved还原成love,broken还原成break,注意pstemming参数仅仅是针对英文,因为只有英文才有单复数和时态形式。
stopwordsDir参数就很好理解了,就是你的自定义停用词词典的存放路径,
上面3个参数是可选的,不是必须配置的。
TokenizerFactory配置好了,然后你就在你的Field中应用此分词器了,如图:
然后你需要把ansj的library.properties配置文件copy到E:\apache-tomcat-7.0.55\webapps\solr\WEB-INF\classes路径,如图:
library.properties配置如下:
#redress dic file path ambiguityLibrary=E:/apache-tomcat-7.0.55/webapps/solr/WEB-INF/classes/library/ambiguity.dic #path of userLibrary this is default library userLibrary=E:/apache-tomcat-7.0.55/webapps/solr/WEB-INF/classes/library #set real name isRealName=true
比较恶心的是,anasj分词器的字典文件加载路径这里只能写死成绝对路径,因为它源码里加载字典文件是直接通过new File(dicPath)这种方式来实现的。当你在eclipse中运行,你的dicPath相对路径是你的项目根目录,而如果你的项目部署到tomcat,那dicPath的相对路径就是tomcat根目录下的bin,这确实比较啃爹,所以我这里干脆直接写成绝对路径,当然你可以把字典文件放到任意目录下,比如C:\Library,不是非要放到tomcat下,这个我必须要澄清下。下图是Ansj分词器在加载字典文件时比较恶心的实现方式:
如果改成这样方式加载字典文件会比较好点,我个人觉得:
this.getClass().getClassLoader().getResourceAsStream(dicPath);
这样你的字典文件路径dicPath的相对路径才是当前classPath。不过ansj里你把字典文件配置成绝对路径也可以,不一定非要相对路径,这点仁者见仁智者见智吧!骚年,你怎么看?
接着你需要在E:\apache-tomcat-7.0.55\webapps\solr\WEB-INF\classes目录下新建一个library目录,然后把ansj自带的两个字典文件ambiguity.dic和default.dic复制进去,然后新建一个ext.dic文件。相关的字典文件和配置文件我待会儿会上传到附件里供你们参考。其中ext.dic是用户自定义扩展字典文件,如图:
对于类似这种网络新词,ansj分词器默认是分不出来的,这时就需要定义自定义扩展字典。
你应该已经发现了,我们在配置AnsjTokenizerFactory的时候配置了stopwordsDir="stopwords/stopwords.dic"自定义停用词加载路径,这里的stopwordsDir是相对于当前classpath的即E:\apache-tomcat-7.0.55\webapps\solr\WEB-INF\classes,所以我们需要在E:\apache-tomcat-7.0.55\webapps\solr\WEB-INF\classes下新建stopwords文件夹,然后在stopwords文件夹下新建一个stopwords.dic字典文件,stopwords.dic内容如下:
这里我只加两个词语作为演示,你们可以根据你自己的需求随意添加你自己的停用词。需要解释下的是,之所以stopwordsDir参数是相对于当前classpath,是因为我在实现AnsjTokenizerFactory时是采用这样的方式来加载词典文件的,如图:
这一切准备好了,你就开始进行分词测试了,请如图进行测试:
上图是对自定义新词进行分词测试,么么哒和啪啪啪之所以能被分出来,是因为我们在library\ext.dic自定义词典文件中添加了那两个词语。
上图是用来测试pstemming参数即英文单词的单复数转换以及时态转换,loved是过去式,自动被转换成原型love
上图是用来测试自定义停用词的,如果你看到如图效果,说明你配置成功了!
至于anseg分词器我维护的最新源码我有空会上传到我的github上,请关注我的github
益达的GitHub地址:请猛戳我,用力,吃点劲儿!!!
益达Q-Q: 7-3-6-0-3-1-3-0-5
益达的Q-Q群: 1-0-5-0-9-8-8-0-6