Lucene学习(8)

Lucene分析器的实现。
Lucene(分词)过滤器TokenFilter类，以及继承它的子类的实现类。
TokenFilter是一个抽象类，定义了对一个经过分词(Tokenizer)后的TokenStream进行过滤的功能，它的源代码如下所示：

 
package org.apache.lucene.analysis; 
 
import java.io.IOException; 
 
public abstract class TokenFilter extends TokenStream { 
// 通过输入一个TokenStream 
protected TokenStream input; 
 
protected TokenFilter(TokenStream input) { 
    this.input = input; 
} 
 
public void close() throws IOException { 
    input.close(); 
} 
} 

ChineseFilter中文过滤器类：

package org.apache.lucene.analysis.cn;

import java.util.Hashtable;
import org.apache.lucene.analysis.*;

// 中文过滤器，包含了含有外文字符的情况，因为中文搜索的关键字可能是：中文+外文 

public final class ChineseFilter extends TokenFilter {

	// 这里给出了英文的终止词汇，如果直接调用根本对中文没有过滤作用，或者也可以在此添加终止词汇，比如：“也、了、啊、吧、呵……”等等一些助词叹词，因为这些词语对于检索没有意义 
	public static final String[] STOP_WORDS = { "and", "are", "as", "at", "be",
			"but", "by", "for", "if", "in", "into", "is", "it", "no", "not",
			"of", "on", "or", "such", "that", "the", "their", "then", "there",
			"these", "they", "this", "to", "was", "will", "with" };

	private Hashtable stopTable;

	// 构造函数，初始化一个终止词汇表 (过滤掉的词汇)   

	public ChineseFilter(TokenStream in) {
		super(in);

		stopTable = new Hashtable(STOP_WORDS.length);
		for (int i = 0; i < STOP_WORDS.length; i++)
			stopTable.put(STOP_WORDS[i], STOP_WORDS[i]);
	}

	// 如果stopTable为空，说明该过滤类根本没有进行过滤，直接将读入的词条(Token)返回 

	public final Token next() throws java.io.IOException {

		for (Token token = input.next(); token != null; token = input.next()) {
			String text = token.termText(); // 获取分词后词条的内容 

			// 这里，如果chineseChar是单个字，则Character.getType(chineseChar)返回的类型值为5；大写英文字符类型值为1，小写字符类型值为2 
			if (stopTable.get(text) == null) { // 如果分词后的词条内容没有出现在过滤列表stopTable中 
				switch (Character.getType(text.charAt(0))) {

				case Character.LOWERCASE_LETTER:
				case Character.UPPERCASE_LETTER:

					// 如果英文词条不是单个字符 
					if (text.length() > 1) {
						return token;
					}
					break;
				case Character.OTHER_LETTER:

					// 如果中文的过滤词汇表中是单个字的形式，则若是一个词汇中有一个字出现在stopTable中，那么整个词条都被过滤掉了。这是不合理的；所以只要把stopTable设置为空就可以实现，即不对分词的词条进行过滤 
					// 也可以在这里添加对词条的限制，来实现过滤 

					return token;
				}

			}

		}
		return null;
	}

}

再看一个限制词条长度的过滤器类：

package org.apache.lucene.analysis;

import java.io.IOException;

// 词条过长或者过短，则过滤掉 
public final class LengthFilter extends TokenFilter {

	final int min;
	final int max;

	// 构造函数，初始化此条长度上限和下限 
	public LengthFilter(TokenStream in, int min, int max) {
		super(in);
		this.min = min;
		this.max = max;
	}

	// 返回长度在min与max之间的词条 
	public final Token next() throws IOException {
		for (Token token = input.next(); token != null; token = input.next()) {
			int len = token.termText().length();
			if (len >= min && len <= max) {
				return token;
			}
			// note: else we ignore it but should we index each part of it? 
		}

		return null;
	}
}

可见，过滤器的目的就是对分词获得的词条的一些属性信息进行过滤，原则是：这些属性信息对检索没有实际意义。通过阅读标准过滤器类，再综合各种需要，我们就能根据自己的需要实现词条的过滤。Lucene包里给出的标准过滤器类。其实是对英文字符过滤的的，源代码如下：

package org.apache.lucene.analysis.standard;

import org.apache.lucene.analysis.*;

public final class StandardFilter extends TokenFilter implements
		StandardTokenizerConstants {

	public StandardFilter(TokenStream in) {
		super(in);
	}

	// APOSTROPHE、ACRONYM等都是在一个常量接口类StandardTokenizerConstants里定义的常量，分别代表在过滤中可能要对其进行处理的字符 

	private static final String APOSTROPHE_TYPE = tokenImage[APOSTROPHE];
	private static final String ACRONYM_TYPE = tokenImage[ACRONYM];

	// 如果词条不空，进行处理后返回经过过滤处理后的词条 
	public final org.apache.lucene.analysis.Token next()
			throws java.io.IOException {
		org.apache.lucene.analysis.Token t = input.next();

		if (t == null)
			return null;

		String text = t.termText();
		String type = t.type();

		// 英文中的 's或'S对检索意义不大，可以删除掉 
		if (type == APOSTROPHE_TYPE
				&& (text.endsWith("'s") || text.endsWith("'S"))) {
			return new org.apache.lucene.analysis.Token(text.substring(0, text
					.length() - 2), t.startOffset(), t.endOffset(), type);

		} else if (type == ACRONYM_TYPE) { // 对“圆点”进行处理，直接把出现的“圆点”删除掉，保留其它字符 
			StringBuffer trimmed = new StringBuffer();
			for (int i = 0; i < text.length(); i++) {
				char c = text.charAt(i);
				if (c != '.')
					trimmed.append(c);
			}
			return new org.apache.lucene.analysis.Token(trimmed.toString(), t
					.startOffset(), t.endOffset(), type);

		} else {
			return t;
		}
	}
}

常量接口类StandardTokenizerConstants 定义如下：

package org.apache.lucene.analysis.standard; 
 
public interface StandardTokenizerConstants { 
 
int EOF = 0; 
int ALPHANUM = 1; 
int APOSTROPHE = 2; 
int ACRONYM = 3; 
int COMPANY = 4; 
int EMAIL = 5; 
int HOST = 6; 
int NUM = 7; 
int P = 8; 
int HAS_DIGIT = 9; 
int ALPHA = 10; 
int LETTER = 11; 
int CJ = 12; 
int KOREAN = 13; 
int DIGIT = 14; 
int NOISE = 15; 
 
int DEFAULT = 0; 
 
String[] tokenImage = { 
    "<EOF>", 
    "<ALPHANUM>", 
    "<APOSTROPHE>", 
    "<ACRONYM>", 
    "<COMPANY>", 
    "<EMAIL>", 
    "<HOST>", 
    "<NUM>", 
    "<P>", 
    "<HAS_DIGIT>", 
    "<ALPHA>", 
    "<LETTER>", 
    "<CJ>", 
    "<KOREAN>", 
    "<DIGIT>", 
    "<NOISE>", 
}; 
} 

还有一个org.apache.lucene.analysis.StopFilter类，和ChineseFilter类的实现很相似，只是这里把过滤字符列表是初始化一个StopFilter过滤器的时候指定的，而且该类实现了对过滤字符类表中字符进行转换的功能。

我感觉，最应该好好研究的是关于同义词的过滤问题。Lucene包中给了一个 org.apache.lucene.index.memory.SynonymTokenFilter过滤类，比较复杂，因为这里面涉及到了一个重要的类：org.apache.lucene.index.memory.SynonymMap。通过研究对英文中同义词的过滤，来考虑中文同义词过滤的问题。