前言
我们在对英文句子分词的时候,一般采用采用的分词器是whitespacetokenizerfactory,有一次因业务要求,需要根据某一个特殊字符(以逗号分词,以竖线分词)分词。感觉这种需求可能与whitespacetokenizerfactory相像,于是自己根据solr源码自定义了分词策略。
业务场景
有一次,我拿到的数据都是以竖线“|”分隔,分词的时候,需要以竖线为分词单元。比如下面的这一堆数据:
有可能你拿到的是这样的数据,典型的例子就是来自csv文件的数据,格式和下面这种类似:
分词思路
在solr的schema.xml文件中,有这样的配置
对于字段类型text_ws,指定了一个分词器工厂whitespacetokenizerfactory,根据这个类,可以实现通过空格来分词,那么我通过竖线分词的代码应该与之类似。
修改源码
在java工程中引入如下jar包:
org.apache.solr
solr-core
6.0.0
参照whitespacetokenizerfactory的源码,写一个自己的myverticallinetokenizerfactory,内容基本不变:
package com.trainning.project.custom;
import java.util.arrays;
import java.util.collection;
import java.util.map;
import org.apache.lucene.analysis.tokenizer;
import org.apache.lucene.analysis.core.unicodewhitespacetokenizer;
import org.apache.lucene.analysis.util.tokenizerfactory;
import org.apache.lucene.util.attributefactory;
/**
* @author jiangchao
* @date 2017年4月2日下午3:41:13
*/
public class myverticallinetokenizerfactory extends tokenizerfactory{
public static final string rule_java = "java";
public static final string rule_unicode = "unicode";
private static final collection rule_names = arrays.aslist(rule_java, rule_unicode);
private final string rule;
/** creates a new myverticallinetokenizerfactory */
public myverticallinetokenizerfactory(map args) {
super(args);
rule = get(args, "rule", rule_names, rule_java);
if (!args.isempty()) {
throw new illegalargumentexception("unknown parameters: " + args);
}
}
@override
public tokenizer create(attributefactory factory) {
switch (rule) {
case rule_java:
return new myverticallinetokenizer(factory);
case rule_unicode:
return new unicodewhitespacetokenizer(factory);
default:
throw new assertionerror();
}
}
}
具体做分词的myverticallinetokenizer代码如下
package com.trainning.project.custom;
import org.apache.lucene.analysis.util.chartokenizer;
import org.apache.lucene.util.attributefactory;
/**
* @author jiangchao
* @date 2017年4月2日下午9:46:18
*/
public class myverticallinetokenizer extends chartokenizer {
public myverticallinetokenizer() {
}
public myverticallinetokenizer(attributefactory factory) {
super(factory);
}
/** collects only characters which do not satisfy
* 参数c指的是term的ascii值,竖线的值为 124
*/
@override
protected boolean istokenchar(int c) {
return !(c == 124);
}
}
这里最主要的方法就是istokenchar,它控制了分词的字符,如果需要使用逗号分词的话,字需要将这个方法修改成下面这样:
/** collects only characters which do not satisfy
* 参数c指的是term的ascii值,逗号的值为 44
*/
@override
protected boolean istokenchar(int c) {
return !(c == 44);
}
整合
代码写好了,怎么使用呢?首先,需要把刚才的java文件打成jar包。我使用的是eclipse,直接选中两个类文件,右键 -> export -> jar file -> select the export destination: ->选择输出路径,填一个jar名字:myverticallinetokenizerfactory -> finish
得到的myverticallinetokenizerfactory.jar文件大约3kb,将改文件放置到.\solr_home\lib下,在shcema.xml中定义自己的field
注意这里的class是刚才自己写的分词器的完整类名。
打开solr主页,在analysis页面测试一下,是否实现了预期?
源码下载:
github:
本地下载:
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作能带来一定的帮助,如果有疑问大家可以留言交流,谢谢大家对萬仟网的支持。
希望与广大网友互动??
点此进行留言吧!