Lucene分词原理与方式
lucene的分词_分词器的原理讲解
--------------------------------------------------------
几个默认分词
SimpleAnalyzerStopAnalyzer
WhitespaceAnalyzer(根据空格分词)
StandardAnalyzer
分词流程
Reader ---->Tokenizer---->大量的TokenFilter---->最后生成TokenStreamTokenizer:主要负责接收Reader字节流,将Reader进行分词操作。
TokenFilter:对已经分好词的语汇单元进行各种各样的过滤操作
TokenStream:分词器做好处理之后得到的一个流。这个流中存储了分词的各种信息,可以tokenStream有效的获取到分词单元信息
在这个流中分词需要存储的涉及的信息
CharTermAttribute:保存相应的词汇
OffsetAttribute:以增量的方式保存次序,各个词汇的偏移量
PositionIncrementAttribute:保存词与词之间的位置增量(0:同位词。2:表示中间有词汇)
TypeAttribute:类型信息
---------------------------------------------------------
lucene的分词_通过TokenStream显示分词
---------------------------------------------------------
/* * 显示分词(TokenStream流再用CharTermAttribute捕获) */ public static void displayToken(String str, Analyzer a) { try { // "content"没有任何意义 // 通过分词器Analyzer创建TokenStream流 TokenStream stream = a.tokenStream("content", new StringReader(str)); // 创建用于接收信息的CharTermAttribute,这个属性会添加到流中,随着TokenStream增加 CharTermAttribute cta = stream.addAttribute(CharTermAttribute.class); while (stream.incrementToken()) { System.out.print("[" + cta + "]"); } System.out.println(); } catch (IOException e) { e.printStackTrace(); } }
/* *测试 */ @Test public void test01() { // 创建几个analyzer Analyzer a1 = new StandardAnalyzer(Version.LUCENE_35); Analyzer a2 = new StopAnalyzer(Version.LUCENE_35); Analyzer a3 = new SimpleAnalyzer(Version.LUCENE_35); Analyzer a4 = new WhitespaceAnalyzer(Version.LUCENE_35); String txt = "this is my house,I am come from HuNan"; new AnalyzerUtils().displayToken(txt, a1); new AnalyzerUtils().displayToken(txt, a2); new AnalyzerUtils().displayToken(txt, a3); new AnalyzerUtils().displayToken(txt, a4); }
-------------------------------------------------------------
lucene分词_通过TokenStream显示分词的详细信息
-------------------------------------------------------------
/* * 显示所有重要的分词信息 */ public static void displayAllTokenInfo(String str, Analyzer a) { try { TokenStream stream = a.tokenStream("content", new StringReader(str)); // 增量信息 PositionIncrementAttribute pia = stream.addAttribute(PositionIncrementAttribute.class); // offset偏移量信息OffsetAttribute oa = stream.addAttribute(OffsetAttribute.class); // 分词词汇信息 CharTermAttribute cta = stream.addAttribute(CharTermAttribute.class); // 类型信息 TypeAttribute ta = stream.addAttribute(TypeAttribute.class); while (stream.incrementToken()) { System.out.print("位置增量" + pia.getPositionIncrement() + ":"); System.out.print("词汇信息&偏移量&类型" + cta + "[" + oa.startOffset()+ "-" + oa.endOffset() + "]" + ta.type()+"\n"); } } catch (Exception e) { e.printStackTrace(); } }
----------------------------------------------------------
lucene的分词_扩展stop分词(自定义stopfilterAnalyzer,增加过滤数组)
----------------------------------------------------------
/* * 自定义过滤分词器 */ public class MystopAnalyzer extends Analyzer { private Set stops; public MystopAnalyzer(){ stops=StopAnalyzer.ENGLISH_STOP_WORDS_SET; } public MystopAnalyzer(String[] sws) { // 查看默认过滤的词汇单元 System.out.println(StopAnalyzer.ENGLISH_STOP_WORDS_SET); // 创建分词器(会自动将字符串数组转化成set) stops = StopFilter.makeStopSet(Version.LUCENE_35, sws, true); // 给自定义的过滤分词器添加原来默认的过滤数组 stops.addAll(StopAnalyzer.ENGLISH_STOP_WORDS_SET); } @Override public TokenStream tokenStream(String fieldName, Reader reader) { // 添加过滤器链(filter)(过滤掉set数组,忽略大小写)和Tokenizer return new StopFilter(Version.LUCENE_35, new LowerCaseFilter(Version.LUCENE_35, new LetterTokenizer(Version.LUCENE_35,reader)), stops); } }
//测试 // 创建自定义的analyzer(添加需要过滤掉的词汇单元 ) Analyzer a1 = new MystopAnalyzer(new String[]{"I","YOU"});
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。