论坛首页 Java企业应用论坛

solr 的分析器,分词器和分词过滤器(1)

浏览 5556 次
精华帖 (0) :: 良好帖 (0) :: 新手帖 (0) :: 隐藏帖 (0)
作者 正文
   发表时间:2008-08-21  

【本文基于对此英文网页的理解http://wiki.apache.org/solr/AnalyzersTokenizersTokenFilters

 

 概览

    当对一个文档(document是一系列field的集合)进行索引时,其中的每个fielddocumentfile都是lucene中的概念)中的数据都会经历分析,分词和多步的分词过滤等操作。这一系列的动作是什么呢?直观的理解是,将一句话分成单个的单词,去掉句子当中的空白符号,去掉多余的词,进行同义词代换等等。

  【例】what a beautiful day? 会进行什么处理呢?what ,a 以及问号都将被去掉,最后处理结果为beautifulday(也有可能是beautiful day)

  不仅仅是在索引的时候进行这些工作,查询的时候也要做这些工作,而且通常索引和查询使用同样的方法来进行处理。这样做的目的是为了保证索引与查询的正确匹配。下例说明了采取不同的处理时的不匹配情况。

  【例】ABCD索引分词为AB  CD,查询时候分词为ABC  D,显然查询的匹配结果为0

 

词性转换

  一种是将一个词扩展成它的多种形式,例如将run扩展成runsrunning。另外一种是词性规约,例如将runnsrunning等都收缩run。前者只需要在索引或查询的任意一端采用即可,后者需要在两端同时采用。

 

分析器(Analyzer

  分析器是包括连个部分:分词器和过滤器。分词器顾名思意就是将句子分词单个的词,过滤器就是对分词的结果进行筛选,例如中文中将”“这些对句子主体意思影响不大的词删除。英语中类似的就是"is""a"等等。通常在索引和分词两端应该采用同样的分词器。solr自带了一些分词器,如果你需要使用自己公司的分词器,那么就需要修改solr模式(Solr schema)。

    schema.xml 文件允许两种方式修改文本被分析的方式,通常只有field类型为 solr.TextField field的内容允许定制分析器。

    方法一:使用任何 org.apache.lucene.analysis.Analyzer的子类进行设定。

1.  fieldtype name="nametext" class="solr.TextField">

2.   <analyzer class="org.apache.lucene.analysis.WhitespaceAnalyzer"/>

3. </fieldtype>

    方法二:指定一个TokenizerFactory ,后面跟一系列的TokenFilterFactories(它们将按照所列的顺序发生作用),Factories被用来创建分词器和分词过滤器,它们用于对分词器和分词过滤器的准备配置,这样做的目的是为了避免the overhead of creation via reflection

  

1. <fieldtype name="text" class="solr.TextField">

2.   <analyzer>

3.     <tokenizer class="solr.StandardTokenizerFactory"/>

4.     <filter class="solr.StandardFilterFactory"/>

5.     <filter class="solr.LowerCaseFilterFactory"/>

6.     <filter class="solr.StopFilterFactory"/>

7.     <filter class="solr.PorterStemFilterFactory"/>

8.   </analyzer>

9. </fieldtype>

  需要说明的一点是,Any Analyzer, TokenizerFactory, or TokenFilterFactory 应该用带包名的全类名进行指定,请确保它们位于Solrclasspath 路径下。对于 org.apache.solr.analysis.* 包下的类,仅仅通过solr.*就可以进行指定。

   如果你需要使用自己的分词器和过滤器,你就需要自己写一个 factory ,它必须是 BaseTokenizerFactory BaseTokenFilterFactory的子类。就像下面一样。

  public class MyCustomFilterFactory extends BaseTokenFilterFactory {

  public TokenStream create(TokenStream input) {

    return new MyCustomFilter(input);

  }

}

 

 

 

Solr提供了哪些TokenizerFactories

--------------------------------------------------------------------

1.  solr.LetterTokenizerFactory

   创建org.apache.lucene.analysis.LetterTokenizer.

   分词举例:

   "I can't" ==> "I", "can", "t"

2.  solr.WhitespaceTokenizerFactory

   创建org.apache.lucene.analysis.WhitespaceTokenizer

3.  solr.LowerCaseTokenizerFactory

   创建org.apache.lucene.analysis.LowerCaseTokenizer

   分词举例:

  "I can't" ==> "i", "can", "t"

4.  solr.StandardTokenizerFactory

   创建org.apache.lucene.analysis.standard.StandardTokenizer

   分词举例:  "I.B.M. cat's can't" ==> 

ACRONYM: "I.B.M.", APOSTROPHE:"cat's", APOSTROPHE:"can't"

   说明:该分词器,会自动地给每个分词添加type,以便接下来的对type敏感的过滤器进行处理,目前仅仅只有StandardFilterToken的类型是敏感的。

声明:原创文章,严禁转载。

论坛首页 Java企业应用版

跳转论坛:
Global site tag (gtag.js) - Google Analytics