Lucene学习-深入Lucene分词器,TokenStream获取分词详细信息
在此回复牛妞的关于程序中分词器的问题,其实可以直接很简单的在词库中配置就好了,Lucene中分词的所有信息我们都可以从TokenStream流中获取.
分词器的核心类Analyzer,TokenStream,Tokenizer,TokenFilter.
Analyzer
Lucene中的分词器有StandardAnalyzer,StopAnalyzer,SimpleAnalyzer,WhitespaceAnalyzer.
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.可以通过TokenStream有效的获取到分词单元
Tokenizer
主要负责接收字符流Reader,将Reader进行分词操作.有如下一些实现类
KeywordTokenizer,
standardTokenizer,
CharTokenizer
|----WhitespaceTokenizer
|----LetterTokenizer
|----LowerCaseTokenizer
TokenFilter
将分好词的语汇单元进行各种各样的过滤.
查看分词器的分词信息
package com.icreate.analyzer.luence;
import java.io.IOException;
import java.io.StringReader;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.SimpleAnalyzer;
import org.apache.lucene.analysis.StopAnalyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.WhitespaceAnalyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.util.Version;
/**
*
* AnalyzerUtil.java
*
* @version ： 1.1
*
* @author ： 苏若年 <a href="mailto:DennisIT@163.com">发送邮件</a>
*
* @since ： 1.0 创建时间: 2013-4-14 上午11:05:45
*
* TODO :
*
*/
public class AnalyzerUtil {
/**
*
* Description: 查看分词信息
* @param str 待分词的字符串
* @param analyzer 分词器
*
*/
public static void displayToken(String str,Analyzer analyzer){
try {
//将一个字符串创建成Token流
TokenStream stream = analyzer.tokenStream("", new StringReader(str));
//保存相应词汇
CharTermAttribute cta = stream.addAttribute(CharTermAttribute.class);
while(stream.incrementToken()){
System.out.print("[" + cta + "]");
}
System.out.println();
} catch (IOException e) {
e.printStackTrace();
}
}
public static void main(String[] args) {
Analyzer aly1 = new StandardAnalyzer(Version.LUCENE_36);
Analyzer aly2 = new StopAnalyzer(Version.LUCENE_36);
Analyzer aly3 = new SimpleAnalyzer(Version.LUCENE_36);
Analyzer aly4 = new WhitespaceAnalyzer(Version.LUCENE_36);
String str = "hello kim,I am dennisit,我是 中国人,my email is dennisit@163.com, and my QQ is 1325103287";
AnalyzerUtil.displayToken(str, aly1);
AnalyzerUtil.displayToken(str, aly2);
AnalyzerUtil.displayToken(str, aly3);
AnalyzerUtil.displayToken(str, aly4);
}
}
程序执行结果
[hello][kim][i][am][dennisit][我][是][中][国][人][my][email][dennisit][163][com][my][qq][1325103287] [hello][kim][i][am][dennisit][我是][中国人][my][email][dennisit][com][my][qq] [hello][kim][i][am][dennisit][我是][中国人][my][email][is][dennisit][com][and][my][qq][is] [hello][kim,I][am][dennisit,我是][中国人,my][email][is][dennisit@163.com,][and][my][QQ][is][1325103287]
standardanalyzer将数字作为一个整体,每个单词都进行分隔
stopanalyzer将数字停用 中文不起作用,只坐空格分割
simpleanalyzer将数字停用 中文不起作用,只按照空格分割
whitespaceanalyzer按照空格分隔,中文不起作用
展示分词的详细信息
/**
*
* Description: 显示分词的全部信息
* @param str
* @param analyzer
*
*/
public static void displayAllTokenInfo(String str, Analyzer analyzer){
try {
//第一个参数只是标识性没有实际作用
TokenStream stream = analyzer.tokenStream("", new StringReader(str));
//获取词与词之间的位置增量
PositionIncrementAttribute postiona = stream.addAttribute(PositionIncrementAttribute.class);
//获取各个单词之间的偏移量
OffsetAttribute offseta = stream.addAttribute(OffsetAttribute.class);
//获取每个单词信息
CharTermAttribute chara = stream.addAttribute(CharTermAttribute.class);
//获取当前分词的类型
TypeAttribute typea = stream.addAttribute(TypeAttribute.class);
while(stream.incrementToken()){
System.out.print("位置增量" +postiona.getPositionIncrement()+":\t");
System.out.println(chara+"\t[" + offseta.startOffset()+" - " + offseta.endOffset() + "]\t<" + typea +">");
}
System.out.println();
} catch (Exception e) {
e.printStackTrace();
}
}
测试代码
Analyzer aly1 = new StandardAnalyzer(Version.LUCENE_36);
Analyzer aly2 = new StopAnalyzer(Version.LUCENE_36);
Analyzer aly3 = new SimpleAnalyzer(Version.LUCENE_36);
Analyzer aly4 = new WhitespaceAnalyzer(Version.LUCENE_36);
String str = "hello kim,I am dennisit,我是 中国人,my email is dennisit@163.com, and my QQ is 1325103287";
AnalyzerUtil.displayAllTokenInfo(str, aly1);
AnalyzerUtil.displayAllTokenInfo(str, aly2);
AnalyzerUtil.displayAllTokenInfo(str, aly3);
AnalyzerUtil.displayAllTokenInfo(str, aly4);
程序运行结果
位置增量1: hello [0 - 5] <type=<ALPHANUM>> 位置增量1: kim [6 - 9] <type=<ALPHANUM>> 位置增量1: i [10 - 11] <type=<ALPHANUM>> 位置增量1: am [12 - 14] <type=<ALPHANUM>> 位置增量1: dennisit [15 - 23] <type=<ALPHANUM>> 位置增量1: 我 [24 - 25] <type=<IDEOGRAPHIC>> 位置增量1: 是 [25 - 26] <type=<IDEOGRAPHIC>> 位置增量1: 中 [27 - 28] <type=<IDEOGRAPHIC>> 位置增量1: 国 [28 - 29] <type=<IDEOGRAPHIC>> 位置增量1: 人 [29 - 30] <type=<IDEOGRAPHIC>> 位置增量1: my [31 - 33] <type=<ALPHANUM>> 位置增量1: email [34 - 39] <type=<ALPHANUM>> 位置增量2: dennisit [43 - 51] <type=<ALPHANUM>> 位置增量1: 163 [52 - 55] <type=<NUM>> 位置增量1: com [56 - 59] <type=<ALPHANUM>> 位置增量2: my [65 - 67] <type=<ALPHANUM>> 位置增量1: qq [68 - 70] <type=<ALPHANUM>> 位置增量2: 1325103287 [74 - 84] <type=<NUM>> 位置增量1: hello [0 - 5] <type=word> 位置增量1: kim [6 - 9] <type=word> 位置增量1: i [10 - 11] <type=word> 位置增量1: am [12 - 14] <type=word> 位置增量1: dennisit [15 - 23] <type=word> 位置增量1: 我是 [24 - 26] <type=word> 位置增量1: 中国人 [27 - 30] <type=word> 位置增量1: my [31 - 33] <type=word> 位置增量1: email [34 - 39] <type=word> 位置增量2: dennisit [43 - 51] <type=word> 位置增量1: com [56 - 59] <type=word> 位置增量2: my [65 - 67] <type=word> 位置增量1: qq [68 - 70] <type=word> 位置增量1: hello [0 - 5] <type=word> 位置增量1: kim [6 - 9] <type=word> 位置增量1: i [10 - 11] <type=word> 位置增量1: am [12 - 14] <type=word> 位置增量1: dennisit [15 - 23] <type=word> 位置增量1: 我是 [24 - 26] <type=word> 位置增量1: 中国人 [27 - 30] <type=word> 位置增量1: my [31 - 33] <type=word> 位置增量1: email [34 - 39] <type=word> 位置增量1: is [40 - 42] <type=word> 位置增量1: dennisit [43 - 51] <type=word> 位置增量1: com [56 - 59] <type=word> 位置增量1: and [61 - 64] <type=word> 位置增量1: my [65 - 67] <type=word> 位置增量1: qq [68 - 70] <type=word> 位置增量1: is [71 - 73] <type=word> 位置增量1: hello [0 - 5] <type=word> 位置增量1: kim,I [6 - 11] <type=word> 位置增量1: am [12 - 14] <type=word> 位置增量1: dennisit,我是 [15 - 26] <type=word> 位置增量1: 中国人,my [27 - 33] <type=word> 位置增量1: email [34 - 39] <type=word> 位置增量1: is [40 - 42] <type=word> 位置增量1: dennisit@163.com, [43 - 60] <type=word> 位置增量1: and [61 - 64] <type=word> 位置增量1: my [65 - 67] <type=word> 位置增量1: QQ [68 - 70] <type=word> 位置增量1: is [71 - 73] <type=word> 位置增量1: 1325103287 [74 - 84] <type=word>
自定义stop分词器
继承Analyzer复写public TokenStream tokenStream(String filename,Reader reader)方法
package org.dennisit.lucene.util;
import java.io.IOException;
import java.io.Reader;
import java.io.StringReader;
import java.util.Set;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.LetterTokenizer;
import org.apache.lucene.analysis.LowerCaseFilter;
import org.apache.lucene.analysis.StopAnalyzer;
import org.apache.lucene.analysis.StopFilter;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.util.Version;
/**
*
* org.dennisit.lucene.utilMyStopAnalyzer.java
*
* @version ： 1.1
*
* @author ： 苏若年 <a href="mailto:DennisIT@163.com">发送邮件</a>
*
* @since ： 1.0 创建时间: 2013-4-14 下午12:06:08
*
* TODO :
*
*/
public class MyStopAnalyzer extends Analyzer{
private Set stops;
/**
* 在原来停用词基础上增加自己的停用词
* @param stopwords 自定义停用词采用数组传递
*/
public MyStopAnalyzer(String[] stopwords){
//会自动将字符串数组转换为Set
stops = StopFilter.makeStopSet(Version.LUCENE_36,stopwords,true);
//将原有的停用词加入到现在的停用词
stops.addAll(StopAnalyzer.ENGLISH_STOP_WORDS_SET);
}
/**
* 不传入参数表示使用原来默认的停用词
*/
public MyStopAnalyzer(){
//获取原有的停用词
stops = StopAnalyzer.ENGLISH_STOP_WORDS_SET;
}
@Override
public TokenStream tokenStream(String filename,Reader reader){
//为自定义分词器设定过滤链和Tokenizer
return new StopFilter(Version.LUCENE_36,
new LowerCaseFilter(Version.LUCENE_36,
new LetterTokenizer(Version.LUCENE_36,reader)),
stops);
}
/**
*
* Description: 查看分词信息
* @param str 待分词的字符串
* @param analyzer 分词器
*
*/
public static void displayToken(String str,Analyzer analyzer){
try {
//将一个字符串创建成Token流
TokenStream stream = analyzer.tokenStream("", new StringReader(str));
//保存相应词汇
CharTermAttribute cta = stream.addAttribute(CharTermAttribute.class);
while(stream.incrementToken()){
System.out.print("[" + cta + "]");
}
System.out.println();
} catch (IOException e) {
e.printStackTrace();
}
}
public static void main(String[] args) {
//获取原来的停用词
Analyzer myAnalyzer1 = new MyStopAnalyzer();
//追加自己的停用词
Analyzer myAnalyzer2 = new MyStopAnalyzer(new String[]{"hate","fuck"});
//分词处理的句子
String text = "fuck! I hate you very much";
displayToken(text, myAnalyzer1);
displayToken(text, myAnalyzer2);
}
}
程序运行结果
[fuck][i][hate][you][very][much] [i][you][very][much]
相关推荐
例如，可以创建一个Analyzer实例，设置分词参数，接着使用TokenStream来处理文本，最后遍历TokenStream获取分词结果。 在实际应用中，开发者可能会遇到一些挑战，比如如何处理未登录词（不在词典中的词汇）、如何...
《深入解析Lucene高亮显示源码：剖析`lucene-highlighter-2.2.0-src.zip`》 Lucene，作为一个开源全文检索库，以其高效、灵活的特点在信息检索领域广泛应用。在处理搜索结果时，为了提升用户体验，通常会采用高亮...
《深入理解Lucene-Analyzers-3.3.0：jar包与源码...通过深入学习和实践，我们可以更好地利用Lucene来构建高效、精准的全文检索系统，满足各种复杂的应用场景。无论是初学者还是经验丰富的开发者，都能从中受益匪浅。
在这个系列中，我们特别关注了Lucene的分词器，尤其是第三部分——"Lucene分词器3"。 Lucene作为一款强大的全文搜索引擎库，其核心功能之一就是对输入的文本进行有效的分词处理，以便于后续的索引和搜索操作。分词...
1. 分词器（Tokenizer）：分词器是Lucene处理文本的第一步，负责将输入的字符串分解为一系列的词元（Token）。Lucene.Net包含多种预定义的分词器，如StandardAnalyzer用于英文，而ChineseAnalyzer适用于中文。 2. ...
总之，自定义Lucene分词器，尤其是添加同义词处理，是一项增强搜索质量和用户体验的关键技术。通过这个简单的示例，我们可以了解如何结合源码和工具来实现这一目标。在阅读给定的博文链接（已提供但不可访问）时，你...
Java日文分词器Kuromoji是一款强大的自然语言处理工具，主要用于日语文本的分词。在IT领域，尤其是在信息检索、文本分析和自然语言处理应用中，分词是基础且关键的一环。Kuromoji是基于Apache Lucene项目开发的，它...
《深入理解Lucene分词器：歧义处理与数量词合并》 在信息检索和自然语言处理领域，分词是至关重要的第一步。Lucene，作为Java最著名的全文搜索引擎库，其强大的分词能力使得它在各种信息检索系统中广泛应用。本文将...
《深入剖析Lucene中的中文分词算法源码》 在信息检索领域，Lucene作为一款强大的全文搜索引擎库，被...通过深入学习这些分词器的工作原理，开发者可以更好地调整分词策略，以适应特定的应用场景，提升系统的整体性能。
【Lucene 3.6 学习笔记】 Lucene 是一个高性能、全文本搜索库，广泛应用于各种搜索引擎的开发。本文将深入探讨Lucene 3.6...通过学习这些内容，可以深入理解Lucene的工作机制，并利用其强大的搜索能力构建高效的应用。
lucene-solr-4.7所有Jar包 tika包 IK包 mmseg4j包 包括索引、高亮、IK分词及MMSEG分词 其中MMSEG中的BUG： TokenStream contract violation: reset()/close() call missing, reset() called multiple times, or ...
在这个例子中，我们创建了`IKAnalyzer`对象，并通过`tokenStream()`方法获取分词流，然后遍历流中的每个分词，打印出分词结果。 **应用场景** IKAnalyzer和Lucene的组合广泛应用于各种需要中文分词的场景，如： -...
Exception in thread "main" java.lang.AbstractMethodError: org.apache.lucene.analysis.TokenStream.incrementToken()Z 换用svn里源码版正常 http://paoding.googlecode.com/svn/trunk/paoding-analysis/
2. **创建索引**：利用Lucene提供的Analyzer接口，我们可以自定义分词器，将盘古分词集成进来。创建一个继承自Analyzer的类，覆写TokenStream方法，调用盘古分词的API进行分词，然后返回TokenStream。 3. **文档...
**Lucene分词与查询详解** Lucene是一个高性能、全文本搜索库，广泛应用于各种搜索引擎的开发中。它提供了一套强大的API，用于索引文本数据，并执行复杂的查询操作。在深入理解Lucene的分词与查询机制之前，我们...
《深入理解Lucene中文分词源码：打造高效搜索引擎》 在信息爆炸的时代，搜索引擎已经成为了我们获取知识的重要工具。而构建一个强大的搜索引擎，离不开核心的文本处理技术——中文分词。Lucene作为一款高性能、全文...
本文将详细介绍如何使用`TokenFilter`进行再分词，并结合提供的源代码进行解析。 首先，理解Lucene的分词流程至关重要。当处理一个文档时，我们首先使用`Tokenizer`将文本切割成一系列的“令牌”（tokens），这些...
在全文检索技术中，Lucene 是一个非常重要的开源搜索引擎库，它提供了强大的文本分析和索引功能。...理解 Analyzer 的工作原理以及如何定制和使用 Analyzer 是深入学习 Lucene 全文检索技术的关键。
《深入理解Lucene分词程序》 在信息技术领域，搜索引擎的构建是不可或缺的一部分，而Lucene作为开源全文检索库，为开发者提供了强大的文本检索功能。本文将深入探讨如何利用Java编程语言来添加自定义的分词程序到...
深入研究IK分词器的源码，不仅可以了解中文分词的基本原理，还能掌握如何利用词典和算法优化分词效果，对于从事信息检索、自然语言处理以及相关领域的开发者来说，具有很高的学习价值。同时，熟悉源码也有助于在遇到...