java-分析器解析

1、语汇单元的组成：

1）经过分析产生的基本单元。在索引时，Lucene使用特定的分析器来处理需要被语汇单元化的指定域，并将每个语汇单元以项的形式写入索引。

2）起点偏移量是指语汇单元文本的起始字符在原广西中的位置，而终点的偏移量则表示语汇单元终止字符的下一个位置。

3）文本被语汇单元化后，相对于前一语汇单元的位置信息被保存为位置增量值。所有的内置语汇单元将位置增量的默认值设置为1，表示所有语汇单元是连续的，位置上是一个紧接一个的。

2、语汇单元转换为项

1）当文本在索引过程中经过分析后，每个语汇单元做为一个项被传递给索引。

2）位置增量是语汇单元携带到索引中的惟一的附加元数据。

3）起点和终点偏移量和语汇单元类型都被抛弃了-这些元数据仅在分析过程中使用。

4）位置增量使得当前语汇单元和前一个语汇单元 联系起来。位置增量为1，表示每个单词存于域中唯一且连接的位置。

5）位置增量大于1，允许单词之间有空隙。比如说这些空隙上的被分析器删除

6）位置增量为0的语汇单元，会将该语汇单元放置在前一个语汇单元的位置上。通常用于表示单词的同义词。

3、TokenStream（基类包括next()和close()方法 ）

1）2个不同的子类

A)Tokenizer：将Reader对象中的数据切分为语汇单元。将String对象包装在StringReader中，进行语汇单元的切分。处理单个字符。

具体又有以下子类：

a)CharTokenizer：其他基于字符的Tokenizer类的父类，包含抽象方法isTokenChar()。当isTokenChar()==true时，输出连续的语汇单元块。该类能对字符规格化处理。Token对象限制的最大字符个数为255个

b)WhitespaceTokenizer：isTokenChar()值为true时的CharTokenizer子类，用于处理所有非空格的字符

c)LetterTokenizer:isTokenChar()值为true并且Character.isLetter()值为true时的CharTokenizer类

d)LowCaseTokenizer：将所有字符小写化的LetterTokenizer

e)StandardTokenier:复杂的基于语法的语汇单元切分器，用于输出高级类型的语汇单元，如E-MAIL地址等。每个输出的语汇单元标记为一个特殊类型，这些类型中的一部分需要使用StandardFilter类特殊处理。

B)TokenFilter：允许你将多个TokenStream对象连接在一起。一个TokenStream对象被传递给TokenFilter时，由TokenFilter对其进行增加、删除和更改等，用于处理单词。

a)LowerCaseFilter:将语汇单元文本转换为小写形式

b)StopFilter：移除指定集合中的信用词

c)PorterStemFilter:利用Poter词干提取算法将语汇单元还原为其词干。

d)StandardFilter:接收一个StandardTokenizer对象做为参数。

4、例子：关于TokenStream

public class AnanlyzerDemo{

private static final String[] examples={"aa adfadf fadfaf,","xxfdasf afadsf [e-mail]"};

private static final Analyzer[] analyzers=new Analyzer[]{

newWhitespaceAnalyzer(),

newSimpleAnalyzer(),

new StopAnalyzer(),

new StanderdAnalyzer()

};

public static void main(String[] args)throws IOException{

String[]strings=examples;

if(args.length>0) strings=args;

for (inti=0;i<strings.length;i++) analyze(strings[i]);
}

private static void analze(String text) throws IOException{

System.out.println("Analyzing\""+text+"\"");

for (inti=0;i<anayzers.length;i++){

Analyzer analyzer=analyzers[i];

String name=analyzer.getClass().getName();

name=name.substring(name.lastIndexof(".")+1);

System.out.println(" "+name+":");

System.out.print("");

AnaylyzerUtils.displayTokens(analyzer,text);

System.out.println("\n");

}

}

public class AnalyzerUtils{

public class Token[]tokenFromAnalysis(Analyzer analyzer,String text ) throwsIOException{

TokenStream stream=analyzer.tokenStream("contents",newStringReader(text));

ArrayList tokenList=new ArrayList();

while (true){

Token token=stream.next();

if (token==null) break;

tokenList.add(token);

}

return(Token[]) tokenList.toArray(new Token[0]);

 

public static void displayTokens(Analyzer analyzer,String text)throws IOException{

Token[] tokens=tokensFromAnalysis(analyzerm,text);

for (int i=0;i<tokens.length;i+){

Token token=tokens[i];

System.out.print("["+token.termText()+"]");

}

}

//...............其他方法

}

}

}

深入分析Token对象

public static void displayTokensWithFullDetails(Analyzeranalyzer,String text) throws IOException{

Token[] tokens=tokensFromAnalysis(analyzer,text);

int position =0;

for (int i=0;i<tokens.length;i++){

Token token=tokens[i];

 

int increment=token.getPositionIncrement();

 

if (increment>0){

position=position+increment;

System.out.println();

System.out.print(position+":");

}

 

System.out.print("["+token.termText()+":"+token.startoffset()

+"- >"+token.endoffset()+":"+token.type()+"]");

}

}

publci static void main(String[] args) throws IOException{

displayTokensWithFullDetails(new SimpleAnalyzer(),"The quick brownfox....");

下面是这段程序的输出结果

1:[the:0->3:word]

2:[quick:4->9:word]

3:[brown:10-15:word]

4:[fox:16->19:word]

}

}

}