[b][size=x-large]为防止,一些小网站私自盗用原文,请支持原创[/size][/b]
[b][size=x-large]原文永久链接:[url]http://qindongliang1922.iteye.com/blog/1922742[/url][/size][/b]
[b][color=green][size=x-large]前面几章笔者把Lucene基本入门的任督二脉给打通了,从此篇开始,就开始进行Lucene的进阶开发了,那么首先摆在我们面前的第一个必须要解决的问题,就是关于中文分词的问题,因为Lucene毕竟是国外的大牛们开发的,显然会比较侧重英文文章,不过还好,在Lucene的下载包里同步了SmartCN的分词器针对中文发行的,每一次Lucene有新的版本发行,这个包同时更新。[/size][/color][/b]
[b] [size=x-large]笔者比较推荐的中文分词器是IK分词器,在进入正式的讲解之前,我们首先对Lucene里面内置的几个分析器做个了解.[/size][/b]
[b][size=x-large][table]
|分析器类型|基本介绍
|WhitespaceAnalyzer|以空格作为切词标准,不对语汇单元进行其他规范化处理
|SimpleAnalyzer|以非字母符来分割文本信息,并将语汇单元统一为小写形式,并去掉数字类型的字符
|StopAnalyzer|该分析器会去除一些常有a,the,an等等,也可以自定义禁用词
|StandardAnalyzer|Lucene内置的标准分析器,会将语汇单元转成小写形式,并去除停用词及标点符号
|CJKAnalyzer|能对中,日,韩语言进行分析的分词器,对中文支持效果一般。
|SmartChineseAnalyzer|对中文支持稍好,但扩展性差
[/table][/size] [/b]
[b][size=x-large][color=green]评价一个分词器的性能优劣,关键是看它的切词效率以及灵活性,及扩展性,通常情况下一个良好的中文分词器,应该具备扩展词库,禁用词库和同义词库,当然最关键的是还得要与自己的业务符合,因为有些时候我们用不到一些自定义词库,所以选择分词器的时候就可以不考虑这一点。IK官网发布的最新版IK分词器对于Lucene的支持是不错的,但是对于solr的支持就不够好了,需要自己改源码支持solr4.x的版本。笔者使用的另一个IK包是经过一些人修改过的可以支持solr4.3的版本,并对扩展词库,禁用词库,同义词库完全支持,而且在solr里面配置很简单,只需要在schmal.xml进行简单配置,即可使用IK分词器的强大的定制化功能。不过官网上IK作者发布的IK包在lucene里面确都不支持同义词库扩展的功能,如果你想使用,得需要自己修改下源码了,不过即使自己修改扩展同义词也是非常容易的。[/color][/size][/b]
[b][size=x-large]下面笔者给出使用官网最后一版发布的IK在Lucene中做的测试,笔者使用的已经扩展了同义词库部分,后面会给出源码。[/size][/b]
[b][size=x-large][color=green]下面先看第一个纯分词的测试[/color][/size][/b]
[b][size=x-large]运行结果:[/size][/b]
[b][size=x-large]第二步,测试扩展词库,使三劫为一个词,散仙为一个词,需要在同义词库里添加三劫,散仙(注意是按行读取的),注意保存的格式为UTF-8或无BOM格式即可[/size][/b]
[img]http://dl2.iteye.com/upload/attachment/0088/0383/2f2e9cd8-e921-3885-897e-f4b8e7dabaac.jpg[/img]
[b][size=x-large]添加扩展词库后运行结果如下:[/size][/b]
[b][size=x-large][color=green]第三步,测试禁用词库,我们把菜鸟二个字给屏蔽掉,每行一个词,保存格式同上.[/color][/size][/b]
[img]http://dl2.iteye.com/upload/attachment/0088/0375/f56582eb-6418-3449-8a90-1054b64ce589.jpg[/img]
[b][size=x-large]添加禁用词库后运行结果如下:[/size][/b]
[b][color=green][size=x-large]最后我们再来测试下,同义词部分,现在笔者把河南人,洛阳人作为"一个"这个词的同义词,添加到同义词库中(笔者在这里仅仅是做一个测试,真正生产环境中的同义词肯定是正式的),注意同义词,也是按行读取的,每行的同义词之间使用逗号分割。[/size][/color][/b]
[img]http://dl2.iteye.com/upload/attachment/0088/0386/796dad6d-e0d9-3cc4-bf06-4b00a3b4095d.jpg[/img]
[b][size=x-large]添加同义词库后运行结果如下:[/size][/b]
[b][color=green][size=x-large]至此,使用IK在Lucene4.3中大部分功能都已测试通过,下面给出扩展同义词部分的源码,有兴趣的道友们,可以参照借鉴下。
[/size][/color][/b]
[b][color=green][size=x-large]关于同义词部分的使用,各位道友,可以先去官网上下载源码,然后将此同义词扩展部分放进去即可,非常简单方便。[/size][/color][/b]
[b][size=x-large]原文永久链接:[url]http://qindongliang1922.iteye.com/blog/1922742[/url][/size][/b]
[b][color=green][size=x-large]前面几章笔者把Lucene基本入门的任督二脉给打通了,从此篇开始,就开始进行Lucene的进阶开发了,那么首先摆在我们面前的第一个必须要解决的问题,就是关于中文分词的问题,因为Lucene毕竟是国外的大牛们开发的,显然会比较侧重英文文章,不过还好,在Lucene的下载包里同步了SmartCN的分词器针对中文发行的,每一次Lucene有新的版本发行,这个包同时更新。[/size][/color][/b]
[b] [size=x-large]笔者比较推荐的中文分词器是IK分词器,在进入正式的讲解之前,我们首先对Lucene里面内置的几个分析器做个了解.[/size][/b]
[b][size=x-large][table]
|分析器类型|基本介绍
|WhitespaceAnalyzer|以空格作为切词标准,不对语汇单元进行其他规范化处理
|SimpleAnalyzer|以非字母符来分割文本信息,并将语汇单元统一为小写形式,并去掉数字类型的字符
|StopAnalyzer|该分析器会去除一些常有a,the,an等等,也可以自定义禁用词
|StandardAnalyzer|Lucene内置的标准分析器,会将语汇单元转成小写形式,并去除停用词及标点符号
|CJKAnalyzer|能对中,日,韩语言进行分析的分词器,对中文支持效果一般。
|SmartChineseAnalyzer|对中文支持稍好,但扩展性差
[/table][/size] [/b]
[b][size=x-large][color=green]评价一个分词器的性能优劣,关键是看它的切词效率以及灵活性,及扩展性,通常情况下一个良好的中文分词器,应该具备扩展词库,禁用词库和同义词库,当然最关键的是还得要与自己的业务符合,因为有些时候我们用不到一些自定义词库,所以选择分词器的时候就可以不考虑这一点。IK官网发布的最新版IK分词器对于Lucene的支持是不错的,但是对于solr的支持就不够好了,需要自己改源码支持solr4.x的版本。笔者使用的另一个IK包是经过一些人修改过的可以支持solr4.3的版本,并对扩展词库,禁用词库,同义词库完全支持,而且在solr里面配置很简单,只需要在schmal.xml进行简单配置,即可使用IK分词器的强大的定制化功能。不过官网上IK作者发布的IK包在lucene里面确都不支持同义词库扩展的功能,如果你想使用,得需要自己修改下源码了,不过即使自己修改扩展同义词也是非常容易的。[/color][/size][/b]
[b][size=x-large]下面笔者给出使用官网最后一版发布的IK在Lucene中做的测试,笔者使用的已经扩展了同义词库部分,后面会给出源码。[/size][/b]
[b][size=x-large][color=green]下面先看第一个纯分词的测试[/color][/size][/b]
package com.ikforlucene;
import java.io.StringReader;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
public class Test {
public static void main(String[] args)throws Exception {
//下面这个分词器,是经过修改支持同义词的分词器
IKSynonymsAnalyzer analyzer=new IKSynonymsAnalyzer();
String text="三劫散仙是一个菜鸟";
TokenStream ts=analyzer.tokenStream("field", new StringReader(text));
CharTermAttribute term=ts.addAttribute(CharTermAttribute.class);
ts.reset();//重置做准备
while(ts.incrementToken()){
System.out.println(term.toString());
}
ts.end();//
ts.close();//关闭流
}
}
[b][size=x-large]运行结果:[/size][/b]
三
劫
散
仙
是
一个
菜鸟
[b][size=x-large]第二步,测试扩展词库,使三劫为一个词,散仙为一个词,需要在同义词库里添加三劫,散仙(注意是按行读取的),注意保存的格式为UTF-8或无BOM格式即可[/size][/b]
[img]http://dl2.iteye.com/upload/attachment/0088/0383/2f2e9cd8-e921-3885-897e-f4b8e7dabaac.jpg[/img]
[b][size=x-large]添加扩展词库后运行结果如下:[/size][/b]
三劫
散仙
是
一个
菜鸟
[b][size=x-large][color=green]第三步,测试禁用词库,我们把菜鸟二个字给屏蔽掉,每行一个词,保存格式同上.[/color][/size][/b]
[img]http://dl2.iteye.com/upload/attachment/0088/0375/f56582eb-6418-3449-8a90-1054b64ce589.jpg[/img]
[b][size=x-large]添加禁用词库后运行结果如下:[/size][/b]
三劫
散仙
是
一个
[b][color=green][size=x-large]最后我们再来测试下,同义词部分,现在笔者把河南人,洛阳人作为"一个"这个词的同义词,添加到同义词库中(笔者在这里仅仅是做一个测试,真正生产环境中的同义词肯定是正式的),注意同义词,也是按行读取的,每行的同义词之间使用逗号分割。[/size][/color][/b]
[img]http://dl2.iteye.com/upload/attachment/0088/0386/796dad6d-e0d9-3cc4-bf06-4b00a3b4095d.jpg[/img]
[b][size=x-large]添加同义词库后运行结果如下:[/size][/b]
三劫
散仙
是
一个
河南人
洛阳人
[b][color=green][size=x-large]至此,使用IK在Lucene4.3中大部分功能都已测试通过,下面给出扩展同义词部分的源码,有兴趣的道友们,可以参照借鉴下。
[/size][/color][/b]
package com.ikforlucene;
import java.io.IOException;
import java.io.Reader;
import java.util.HashMap;
import java.util.Map;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.Tokenizer;
import org.apache.lucene.analysis.synonym.SynonymFilterFactory;
import org.apache.solr.core.SolrResourceLoader;
import org.wltea.analyzer.lucene.IKTokenizer;
/**
* 可以加载同义词库的Lucene
* 专用IK分词器
*
*
* */
public class IKSynonymsAnalyzer extends Analyzer {
@Override
protected TokenStreamComponents createComponents(String arg0, Reader arg1) {
Tokenizer token=new IKTokenizer(arg1, true);//开启智能切词
Map<String, String> paramsMap=new HashMap<String, String>();
paramsMap.put("luceneMatchVersion", "LUCENE_43");
paramsMap.put("synonyms", "E:\\同义词\\synonyms.txt");
SynonymFilterFactory factory=new SynonymFilterFactory(paramsMap);
SolrResourceLoader loader= new SolrResourceLoader("");
try {
factory.inform(loader);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
return new TokenStreamComponents(token, factory.create(token));
}
}
[b][color=green][size=x-large]关于同义词部分的使用,各位道友,可以先去官网上下载源码,然后将此同义词扩展部分放进去即可,非常简单方便。[/size][/color][/b]