以前发布过
HanLP
的
Lucene插件，后来很多人跟我说其实Solr更流行(反正我是觉得既然Solr是Lucene的子项目，那么稍微改改配置就能支持Solr)，于是就抽空做了个Solr插件出来，开源在
Github
上，欢迎改进。
HanLP中文分词solr插件支持Solr5.x，兼容Lucene5.x。
图
1
快速上手
2、
修改
solr core的配置文件${core}/conf/schema.xml：
Solr5中文分词器详细配置
对于新手来说，上面的两步可能太简略了，不如看看下面的
step by step。本教程使用Solr5.2.1，理论上兼容solr5.x。
放置
jar
将上述两个
jar放到solr-5.2.1/server/solr-webapp/webapp/WEB-INF/lib目录下。如果你想自定义词典等数据，将hanlp.properties放到solr-5.2.1/server/resources，该目录也是log4j.properties等配置文件的放置位置。HanLP文档一直在说“将配置文件放到resources目录下”，指的就是这个意思。作为Java程序员，这是基本常识。
启动
solr
首先在
solr-5.2.1\bin目录下启动solr：
1.
solr start
-f
图
2
创建
core
在
solr-5.2.1\server\solr下新建一个目录，取个名字比如叫one，将示例配置文件solr-5.2.1\server\solr\configsets\sample_techproducts_configs\conf拷贝过来，接着修改schema.xml中的默认域type，搜索
1.
2.
...
3.
替换为
1.
4.
5.
6.
7.
8.
11.
12.
13.
14.
15.
16.
17.
18.
19.
意思是默认文本字段类型启用
HanLP分词器，text_general还开启了solr默认的各种filter。
solr允许为不同的字段指定不同的分词器，由于绝大部分字段都是text_general类型的，可以说这种做法比较适合新手。如果你是solr老手的话，你可能会更喜欢单独为不同的字段指定不同的分词器及其他配置。如果你的业务系统中有其他字段，比如location，summary之类，也需要一一指定其type="text_general"。切记，否则这些字段仍旧是solr默认分词器，会造成这些字段“搜索不到”。
另外，切记不要在
query中开启indexMode，否则会影响PhaseQuery。indexMode只需在index中开启一遍即可，要不然它怎么叫indexMode呢。
如果你不需要
solr提供的停用词、同义词等filter，如下配置可能更适合你：
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
完成了之后在
solr的管理界面导入这个core one：
图
3
接着就能在下拉列表中看到这个
core了：
图
4
上传测试文档
修改好了，就可以拿一些测试文档来试试效果了。
hanlp-solr-plugin代码库中的src/test/resources下有个测试文档集合documents.csv，其内容如下：
1.
id,title
2.
1,你好世界
3.
2,商品和服务
4.
3,和服的价格是每镑15便士
5.
4,服务大众
6.
5,hanlp工作正常
代表着
id从1到5共五个文档，接下来复制solr-5.2.1\example\exampledocs下的上传工具post.jar到resources目录，利用如下命令行将数据导入：
1.
java
-Dc=one -Dtype=application/csv -jar post.jar *.csv
Windows用户的话直接双击该目录下的upload.cmd即可，Linux用户运行upload.sh。
正常情况下输出如下结果：
1.
SimplePostTool version 5.0.0
2.
Posting files to [base] url http://localhost:8983/solr/one/update using content-
3.
type application/csv...
4.
POSTing file documents.csv to [base]
5.
1 files indexed.
6.
COMMITting Solr index changes to http://localhost:8983/solr/one/update...
7.
Time spent: 0:00:00.059
8.
请按任意键继续
. . .
同时刷新一下
core one的Overview，的确看到了5篇文档：
图
5
搜索文档
是时候看看
HanLP分词的效果了，点击左侧面板的Query，输入“和服”试试：
图
6
发现精确地查到了
“
和服
的价格是每镑
15便士”，而不是“商品
和服
务
”这种错误文档：
图
7
这说明
HanLP工作良好。
要知道，不少中文分词器眉毛胡子一把抓地命中
“商品和服务”这种错误文档，降低了查准率，拉低了用户体验，跟原始的MySQL LIKE有何区别？
索引模式的功能
索引模式可以对长词进行全切分，得到其中蕴含的所有词汇。比如
“中医药大学附属医院”在HanLP索引分词模式下的切分结果为：
1.
中
0 医1 药2 大3 学4 附5 属6 医7 院8
2.
[0:3 1] 中医药/n
3.
[0:2 1] 中医/n
4.
[1:3 1] 医药/n
5.
[3:5 1] 大学/n
6.
[5:9 1] 附属医院/nt
7.
[5:7 1] 附属/vn
8.
[7:9 1] 医院/n
开启
indexMode后，无论用户搜索“中医”“中医药”还是“医药”，都会搜索到“中医药大学附属医院”：
图
8
高级配置
目前本插件支持如下基于
schema.xml的配置:
图
9
对于更高级的配置，
HanLP分词器主要通过class path下的hanlp.properties进行配置，请阅读
HanLP自然语言处理包文档
以了解更多相关配置，如：
1.
停用词
2.
用户词典
3.
词性标注
4.
……
代码调用
在
Query改写的时候，可以利用HanLPAnalyzer分词结果中的词性等属性，如
1.
String text = "中华人民共和国很辽阔";
2.
for (int i = 0; i
3.
{
4.
System.out.print(text.charAt(i) + "" + i + " ");
5.
}
6.
System.out.println();
7.
Analyzer analyzer = new HanLPAnalyzer();
8.
TokenStream tokenStream = analyzer.tokenStream("field", text);
9.
tokenStream.reset();
10.
while (tokenStream.incrementToken())
11.
{
12.
CharTermAttribute attribute = tokenStream.getAttribute(CharTermAttribute.class);
13.
// 偏移量
14.
OffsetAttribute offsetAtt = tokenStream.getAttribute(OffsetAttribute.class);
15.
// 距离
16.
PositionIncrementAttribute positionAttr = kenStream.getAttribute(PositionIncrementAttribute.class);
17.
// 词性
18.
TypeAttribute typeAttr = tokenStream.getAttribute(TypeAttribute.class);
19.
System.out.printf("[%d:%d %d] %s/%s\n", offsetAtt.startOffset(), offsetAtt.endOffset(), positionAttr.getPositionIncrement(), attribute, typeAttr.type());
20.
}
在另一些场景，支持以自定义的分词器(比如开启了命名实体识别的分词器、繁体中文分词器、
CRF分词器等)构造HanLPTokenizer，比如：
1.
tokenizer = new HanLPTokenizer(HanLP.newSegment()
2.
.enableJapaneseNameRecognize(true)
3.
.enableIndexMode(true), null, false);
4.
tokenizer.setReader(new StringReader("林志玲亮相网友:确定不是波多野结衣？"));
5.
...
反馈
技术问题请
在
Github上发issue
，大家一起讨论，也方便集中管理。博客留言、微博私信、邮件不受理任何HanLP相关的问题，谢谢合作！
反馈问题的时候请一定附上版本号、触发代码、输入输出，否则无法处理。
版权
Apache License Version 2.0
转载子码农场
扫一扫
170
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
