本文主要分析一下 Lucene输入部分——Analyzer(分析器)。为什么要有Analyzer部分呢?打个比方,人体在消化食物的时候,是不是都要把食物分解掉?食物在肠道里面,被分解成葡萄糖、氨基酸、脂肪等等。变成小块以后,才容易被吸收并加以利用。Lucene也有类似的过程:把文本分解成更小的单元,有词、标点符号、分割符号,甚至还有网站名等等。Analyzer就好比是人体的肠道,它的职责就是把输入的文本切成小的单元。
先看一段代码吧:
#0001 public static void TestAnalyzer()
#0002 {
#0003 Analyzer []analyzers = new Analyzer[4];
#0004 analyzers[0] = new WhitespaceAnalyzer();
#0005 analyzers[1] = new SimpleAnalyzer();
#0006 analyzers[2] = new StopAnalyzer();
#0007 analyzers[3] = new StandardAnalyzer();
#0008 String text = "This is a test document. For more info, please visit Victor's Blog: http://lqgao.spaces.msn.com. ";
#0009 for(int i=0; i<analyzers.Length; i++)
#0010 {
#0011 DumpAnalyzer(analyzers[i], new StringReader(text));
#0012 }
#0013 }
#0014
#0015 public static void DumpAnalyzer(Analyzer analyzer, TextReader reader)
#0016 {
#0017 TokenStream stream = analyzer.TokenStream(reader);
#0018 Token token;
#0019 System.Console.WriteLine(analyzer + " :");
#0020 while ((token = stream.Next()) != null)
#0021 {
#0022 System.Console.Write("[" + token.TermText() + "]");
#0023 }
#0024 System.Console.WriteLine();
#0025 System.Console.WriteLine();
#0026 }
运行结果如下:
Lucene.Net.Analysis.WhitespaceAnalyzer :
[This][is][a][test][document.][For][more][info,][please][visit][Victor's][Blog:]
[http://lqgao.spaces.msn.com.]
Lucene.Net.Analysis.SimpleAnalyzer :
[this][is][a][test][document][for][more][info][please][visit][victor][s][blog][h
ttp][lqgao][spaces][msn][com]
Lucene.Net.Analysis.StopAnalyzer :
[test][document][more][info][please][visit][victor][blog][http][lqgao][spaces][m
sn][com]
Lucene.Net.Analysis.Standard.StandardAnalyzer :
[test][document][more][info][please][visit][victor][blog][http][lqgaospacesmsnco
m]
好,让咱们来分析一下。Lucene中默认提供4个Analyzer:SimpleAnalyzer, StandardAnalyzer, StopAnalyzer, WhitespaceAnalyzer。至于这4个有什么区别,听我慢慢道来。
WhitespaceAnalyzer似乎什么都不做,就是按照white space (空格符号)把文本分开——这样做最省力,最简单。
SimpleAnalyzer 则比WhitespaceAnalyzer进步一些,至少不管大写还是小写的字母,统统变成小写形式。这样做的好处也很明显,不管输入是This tHis还是 THIS thIS,最后都统一为this,便于匹配。除了统一大小写外,SimpleAnalyzer还把标点符号处理了,或者说SimpleAnalyzer是按照标点符号分割单词的。比如`documents.’在SimpleAnalyzer的结果中变为`document’。
StopAnalyzer 看起来和SimpleAnalyzer非常相似,只不过,结果中有一些词被去掉了,比如‘this’, ‘is’, ‘a’, ‘for’等——这些大量出现但没有实际意义的词通常被称为stop word(停用词),并被去掉,不加入索引中。因为这样的词数量很大,但并不能很好的区分文档的内容。去掉stop word能减少索引的规模。
StandardAnalyzer做得要复杂一些了。像”Victor’s”这样的词,被处理为’victor’,并没有”’s”,而且网址也被处理了。稍后我们分析StandardAnalyzer的功能。这几个Analyzer的继承关系如图 1所示。
图 1几种analyzer的类层次图
现在回头再看看Analyzer们是怎么工作的(#0015~#0026)。其实Analyzer是一个工厂模式(Factory Pattern),见#0017。使用时需要其生成一个TokenStream的对象。TokenStream,顾名思义,表示token流,即一个 token序列。每个token都是Token类型的。#0020~#0023展现TokenStream的调用方式。
接下来让我们一步一步地展开Analyzers的细节。既然Token是TokenStream组成的元素,让我们先来看看它的“庐山真面目”。
#0001 public sealed class Token
#0002 {
#0003 internal System.String termText; // the text of the term
#0004 internal int startOffset; // start in source text
#0005 internal int endOffset; // end in source text
#0006 internal System.String type_Renamed_Field = "word"; // lexical type
#0007
#0008 private int positionIncrement = 1;
#0009
#0010 public Token(System.String text, int start, int end)
#0011 public Token(System.String text, int start, int end, System.String typ)
#0012
#0013 public void SetPositionIncrement(int positionIncrement)
#0014 public int GetPositionIncrement()
#0015 public System.String TermText()
#0016 public int StartOffset()
#0017 public int EndOffset()
#0018 public System.String Type()
#0019 }
可以看出,Token存储了term的字符串(#0003),并记录下起始和终止位置(#0004~#0005),此外还有一个类型信息(#0006)。DumpAnalyzer中调用了TermText()获取字符串信息。
然后看看TokenStream:
#0001 public abstract class TokenStream
#0002 {
#0003 /// <summary>Returns the next token in the stream, or null at EOS. </summary>
#0004 public abstract Token Next();
#0005
#0006 /// <summary>Releases resources associated with this stream. </summary>
#0007 public virtual void Close()
#0008 {}
#0009 }
TokenStream是一个抽象类,接口只有两个:Next()和Close()。Next()返回当前的token,并指向下一个token;没有token则返回null。
Analyzer也是一个抽象类。默认的TokenStream() (#0005)就是构造并返回一个TokenStream的对象。
#0001 public abstract class Analyzer
#0002 {
#0003 public virtual TokenStream TokenStream(System.IO.TextReader reader)
#0004 {
#0005 return TokenStream(null, reader);
#0006 }
#0007 }
再看它的一个子类WhitespaceTokenizer:
#0001 public class WhitespaceTokenizer:CharTokenizer
#0002 {
#0003 public WhitespaceTokenizer(System.IO.TextReader in_Renamed):base(in_Renamed)
#0004 {}
#0005 protected internal override bool IsTokenChar(char c)
#0006 {
#0007 return !System.Char.IsWhiteSpace(c);
#0008 }
#0009 }
#0010
#0021 public abstract class CharTokenizer : Tokenizer
#0022 {
#0023 public CharTokenizer(System.IO.TextReader input) : base(input)
#0024 {}
#0025
#0026 private int offset = 0, bufferIndex = 0, dataLen = 0;
#0027 private const int MAX_WORD_LEN = 255;
#0028 private const int IO_BUFFER_SIZE = 1024;
#0029 private char[] buffer = new char[MAX_WORD_LEN];
#0030 private char[] ioBuffer = new char[IO_BUFFER_SIZE];
#0031
#0032 protected internal abstract bool IsTokenChar(char c);
#0033 protected internal virtual char Normalize(char c)
#0034 {
#0035 return c;
#0036 }
#0037 public override Token Next()
#0038 {
#0039 int length = 0;
#0040 int start = offset;
#0041 while (true)
#0042 {
#0043 char c;
#0044
#0045 offset++;
#0046 if (bufferIndex >= dataLen)
#0047 {
#0048 dataLen = input.Read((System.Char[]) ioBuffer, 0, ioBuffer.Length);
#0049 bufferIndex = 0;
#0050 }
#0051 ;
#0052 if (dataLen <= 0)
#0053 {
#0054 if (length > 0)
#0055 break;
#0056 else
#0057 return null;
#0058 }
#0059 else
#0060 c = ioBuffer[bufferIndex++];
#0061
#0062 if (IsTokenChar(c))
#0063 {
#0064 // if it's a token char
#0065
#0066 if (length == 0)
#0067 // start of token
#0068 start = offset - 1;
#0069
#0070 buffer[length++] = Normalize(c); // buffer it, normalized
#0071
#0072 if (length == MAX_WORD_LEN)
#0073 // buffer overflow!
#0074 break;
#0075 }
#0076 else if (length > 0)
#0077 // at non-Letter w/ chars
#0078 break; // return 'em
#0079 }
#0080
#0081 return new Token(new System.String(buffer, 0, length), start, start + length);
#0082 }
#0083 }
#0084
#0085
#0086 public abstract class Tokenizer : TokenStream
#0087 {
#0088 protected internal System.IO.TextReader input;
#0089 protected internal Tokenizer()
#0090 {}
#0091 protected internal Tokenizer(System.IO.TextReader input)
#0092 {
#0093 this.input = input;
#0094 }
#0095 public override void Close()
#0096 {
#0097 input.Close();
#0098 }
#0099 }
几个类之间的关系:WhitespaceTokenizerCharTokenizerTokenizerTokenStream。而 CharTokenizer.Next()是一个关键(#0037~#0083)。它从缓冲区中找到分割符(#0062),然后用识别出来的字符串 (#0070)生成一个Token对象(#0081)。其余的Tokenizer只要定义不同的分割符号集合(#0032)就可以了。例如 WhitespaceTokenizer只要告诉Next()“只要不是white space就是分割符号”就可以了(#0005~#0008)。
本文来自CSDN博客,转载请标明出处:http://blog.csdn.net/alex197963/archive/2008/08/01/2752761.aspx
先看一段代码吧:
#0001 public static void TestAnalyzer()
#0002 {
#0003 Analyzer []analyzers = new Analyzer[4];
#0004 analyzers[0] = new WhitespaceAnalyzer();
#0005 analyzers[1] = new SimpleAnalyzer();
#0006 analyzers[2] = new StopAnalyzer();
#0007 analyzers[3] = new StandardAnalyzer();
#0008 String text = "This is a test document. For more info, please visit Victor's Blog: http://lqgao.spaces.msn.com. ";
#0009 for(int i=0; i<analyzers.Length; i++)
#0010 {
#0011 DumpAnalyzer(analyzers[i], new StringReader(text));
#0012 }
#0013 }
#0014
#0015 public static void DumpAnalyzer(Analyzer analyzer, TextReader reader)
#0016 {
#0017 TokenStream stream = analyzer.TokenStream(reader);
#0018 Token token;
#0019 System.Console.WriteLine(analyzer + " :");
#0020 while ((token = stream.Next()) != null)
#0021 {
#0022 System.Console.Write("[" + token.TermText() + "]");
#0023 }
#0024 System.Console.WriteLine();
#0025 System.Console.WriteLine();
#0026 }
运行结果如下:
Lucene.Net.Analysis.WhitespaceAnalyzer :
[This][is][a][test][document.][For][more][info,][please][visit][Victor's][Blog:]
[http://lqgao.spaces.msn.com.]
Lucene.Net.Analysis.SimpleAnalyzer :
[this][is][a][test][document][for][more][info][please][visit][victor][s][blog][h
ttp][lqgao][spaces][msn][com]
Lucene.Net.Analysis.StopAnalyzer :
[test][document][more][info][please][visit][victor][blog][http][lqgao][spaces][m
sn][com]
Lucene.Net.Analysis.Standard.StandardAnalyzer :
[test][document][more][info][please][visit][victor][blog][http][lqgaospacesmsnco
m]
好,让咱们来分析一下。Lucene中默认提供4个Analyzer:SimpleAnalyzer, StandardAnalyzer, StopAnalyzer, WhitespaceAnalyzer。至于这4个有什么区别,听我慢慢道来。
WhitespaceAnalyzer似乎什么都不做,就是按照white space (空格符号)把文本分开——这样做最省力,最简单。
SimpleAnalyzer 则比WhitespaceAnalyzer进步一些,至少不管大写还是小写的字母,统统变成小写形式。这样做的好处也很明显,不管输入是This tHis还是 THIS thIS,最后都统一为this,便于匹配。除了统一大小写外,SimpleAnalyzer还把标点符号处理了,或者说SimpleAnalyzer是按照标点符号分割单词的。比如`documents.’在SimpleAnalyzer的结果中变为`document’。
StopAnalyzer 看起来和SimpleAnalyzer非常相似,只不过,结果中有一些词被去掉了,比如‘this’, ‘is’, ‘a’, ‘for’等——这些大量出现但没有实际意义的词通常被称为stop word(停用词),并被去掉,不加入索引中。因为这样的词数量很大,但并不能很好的区分文档的内容。去掉stop word能减少索引的规模。
StandardAnalyzer做得要复杂一些了。像”Victor’s”这样的词,被处理为’victor’,并没有”’s”,而且网址也被处理了。稍后我们分析StandardAnalyzer的功能。这几个Analyzer的继承关系如图 1所示。
图 1几种analyzer的类层次图
现在回头再看看Analyzer们是怎么工作的(#0015~#0026)。其实Analyzer是一个工厂模式(Factory Pattern),见#0017。使用时需要其生成一个TokenStream的对象。TokenStream,顾名思义,表示token流,即一个 token序列。每个token都是Token类型的。#0020~#0023展现TokenStream的调用方式。
接下来让我们一步一步地展开Analyzers的细节。既然Token是TokenStream组成的元素,让我们先来看看它的“庐山真面目”。
#0001 public sealed class Token
#0002 {
#0003 internal System.String termText; // the text of the term
#0004 internal int startOffset; // start in source text
#0005 internal int endOffset; // end in source text
#0006 internal System.String type_Renamed_Field = "word"; // lexical type
#0007
#0008 private int positionIncrement = 1;
#0009
#0010 public Token(System.String text, int start, int end)
#0011 public Token(System.String text, int start, int end, System.String typ)
#0012
#0013 public void SetPositionIncrement(int positionIncrement)
#0014 public int GetPositionIncrement()
#0015 public System.String TermText()
#0016 public int StartOffset()
#0017 public int EndOffset()
#0018 public System.String Type()
#0019 }
可以看出,Token存储了term的字符串(#0003),并记录下起始和终止位置(#0004~#0005),此外还有一个类型信息(#0006)。DumpAnalyzer中调用了TermText()获取字符串信息。
然后看看TokenStream:
#0001 public abstract class TokenStream
#0002 {
#0003 /// <summary>Returns the next token in the stream, or null at EOS. </summary>
#0004 public abstract Token Next();
#0005
#0006 /// <summary>Releases resources associated with this stream. </summary>
#0007 public virtual void Close()
#0008 {}
#0009 }
TokenStream是一个抽象类,接口只有两个:Next()和Close()。Next()返回当前的token,并指向下一个token;没有token则返回null。
Analyzer也是一个抽象类。默认的TokenStream() (#0005)就是构造并返回一个TokenStream的对象。
#0001 public abstract class Analyzer
#0002 {
#0003 public virtual TokenStream TokenStream(System.IO.TextReader reader)
#0004 {
#0005 return TokenStream(null, reader);
#0006 }
#0007 }
再看它的一个子类WhitespaceTokenizer:
#0001 public class WhitespaceTokenizer:CharTokenizer
#0002 {
#0003 public WhitespaceTokenizer(System.IO.TextReader in_Renamed):base(in_Renamed)
#0004 {}
#0005 protected internal override bool IsTokenChar(char c)
#0006 {
#0007 return !System.Char.IsWhiteSpace(c);
#0008 }
#0009 }
#0010
#0021 public abstract class CharTokenizer : Tokenizer
#0022 {
#0023 public CharTokenizer(System.IO.TextReader input) : base(input)
#0024 {}
#0025
#0026 private int offset = 0, bufferIndex = 0, dataLen = 0;
#0027 private const int MAX_WORD_LEN = 255;
#0028 private const int IO_BUFFER_SIZE = 1024;
#0029 private char[] buffer = new char[MAX_WORD_LEN];
#0030 private char[] ioBuffer = new char[IO_BUFFER_SIZE];
#0031
#0032 protected internal abstract bool IsTokenChar(char c);
#0033 protected internal virtual char Normalize(char c)
#0034 {
#0035 return c;
#0036 }
#0037 public override Token Next()
#0038 {
#0039 int length = 0;
#0040 int start = offset;
#0041 while (true)
#0042 {
#0043 char c;
#0044
#0045 offset++;
#0046 if (bufferIndex >= dataLen)
#0047 {
#0048 dataLen = input.Read((System.Char[]) ioBuffer, 0, ioBuffer.Length);
#0049 bufferIndex = 0;
#0050 }
#0051 ;
#0052 if (dataLen <= 0)
#0053 {
#0054 if (length > 0)
#0055 break;
#0056 else
#0057 return null;
#0058 }
#0059 else
#0060 c = ioBuffer[bufferIndex++];
#0061
#0062 if (IsTokenChar(c))
#0063 {
#0064 // if it's a token char
#0065
#0066 if (length == 0)
#0067 // start of token
#0068 start = offset - 1;
#0069
#0070 buffer[length++] = Normalize(c); // buffer it, normalized
#0071
#0072 if (length == MAX_WORD_LEN)
#0073 // buffer overflow!
#0074 break;
#0075 }
#0076 else if (length > 0)
#0077 // at non-Letter w/ chars
#0078 break; // return 'em
#0079 }
#0080
#0081 return new Token(new System.String(buffer, 0, length), start, start + length);
#0082 }
#0083 }
#0084
#0085
#0086 public abstract class Tokenizer : TokenStream
#0087 {
#0088 protected internal System.IO.TextReader input;
#0089 protected internal Tokenizer()
#0090 {}
#0091 protected internal Tokenizer(System.IO.TextReader input)
#0092 {
#0093 this.input = input;
#0094 }
#0095 public override void Close()
#0096 {
#0097 input.Close();
#0098 }
#0099 }
几个类之间的关系:WhitespaceTokenizerCharTokenizerTokenizerTokenStream。而 CharTokenizer.Next()是一个关键(#0037~#0083)。它从缓冲区中找到分割符(#0062),然后用识别出来的字符串 (#0070)生成一个Token对象(#0081)。其余的Tokenizer只要定义不同的分割符号集合(#0032)就可以了。例如 WhitespaceTokenizer只要告诉Next()“只要不是white space就是分割符号”就可以了(#0005~#0008)。
本文来自CSDN博客,转载请标明出处:http://blog.csdn.net/alex197963/archive/2008/08/01/2752761.aspx