浏览 8225 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：2014-03-13
散仙又有一段时间，没更新Lucene的文章了，Lucene版本的更新还是飞快的，现在已经到4.7的版本了，今天，散仙来给大家分享几个Lucene比较有用的小技术。Lucene作为一款优秀的全文检索工具包，自然附带了一些其他比较有用的功能，例如在文本挖掘领域，常常需要统计一些词或短语的TF信息，或者IDF的信息，用来加权某个词条，从而找出某篇新闻，或文献中比较重要的一些关键词或短语，或者我们想得到这些词库的位置信息等等。
下面进入正题，今天散仙就围绕如上所说的，来看下如何利用Lucene来获取TF，IDF，以及term词条的位置信息。 首先，第一个我们来看下如何获取分词后的短语的位置信息，这个功能，主要跟我们的分词器有关系，在分词过程中记录的位置信息，增量信息，载荷等等，我们重点来看下，如何获取位置信息，代码如下： <pre name="code" class="java">测试数据 中新网3月12日电 据中国政府网消息，3月12日上午10时15分，李克强总理参加完政协闭幕会后来到国务院应急指挥中心，与前方中国搜救船长通话，了解马航MH370失联客机搜救最新进展情况。李克强要求各有关部门调集一切可能力量，加大搜救密度和力度，不放弃任何一线希望。 </pre> <pre name="code" class="java"> /** * 搜索技术交流群： 324714439 * * 获取分词后term的位置信息 * @param word 分词的文本 * */ public void postion(String word)throws Exception{ Analyzer analyzer=new IKAnalyzer();//IK分词 TokenStream token=analyzer.tokenStream("a", new StringReader(word)); token.reset(); CharTermAttribute term=token.addAttribute(CharTermAttribute.class);//term信息 OffsetAttribute offset=token.addAttribute(OffsetAttribute.class);//位置数据 while(token.incrementToken()){ System.out.println(term+" "+offset.startOffset()+" "+offset.endOffset()); } token.end(); token.close(); }</pre> <pre name="code" class="java">输出结果: 中新网 0 3 中新 0 2 新网 1 3 3 3 4 月 4 5 12 5 7 日 7 8 电 8 9 据 10 11 中国政府 11 15 中国 11 13 国政 12 14 政府网 13 16 政府 13 15 网 15 16 消息 16 18 3 19 20 月 20 21 12 21 23 日 23 24 上午 24 26 10 26 28 时 28 29 15 29 31 分 31 32 李克强 33 36 克强 34 36 总理 36 38 参加 38 40 加完 39 41 政协 41 43 闭幕会 43 46 闭幕 43 45 会后 45 47 后来 46 48 来到 47 49 国务院 49 52 国务 49 51 院 51 52 应急 52 54 指挥中心 54 58 指挥 54 56 中心 56 58 与 59 60 前方 60 62 方中 61 63 中国 62 64 搜救 64 66 船长 66 68 通话 68 70 了解 71 73 马 73 74 航 74 75 mh370 75 80 mh 75 77 370 77 80 失 80 81 联 81 82 客机 82 84 搜救 84 86 最新进展 86 90 最新 86 88 新进展 87 90 新进 87 89 进展 88 90 情况 90 92 李克强 93 96 克强 94 96 强要 95 97 要求 96 98 各有 98 100 有关部门 99 103 有关 99 101 有 99 100 关 100 101 部门 101 103 调集 103 105 一切 105 107 切 106 107 可能 107 109 能力 108 110 力量 109 111 加大 112 114 搜救 114 116 密度 116 118 力度 119 121 不放 122 124 放弃 123 125 任何 125 127 一线希望 127 131 一线 127 129 线 128 129 希望 129 131 </pre> 由上显示，我们可以获取所有短语的位置信息，这个功能在Lucene高亮的时候是非常有用的，如果数据位置发生错位，那么大部分原因都有可能跟这个地方有关系。 第二，我们来看下，如何使用Lucene来获取一片文章中所有短语的词频，这个首先我们的数据是需要索引起来的，并且要开启向量存储的功能，然后我们在去索引里面获取词频，然后，稍作加工，按词频降序输出，由此来直观显示，这篇文章可能重点体现的意思，在这之前，需要对一些常见的禁用词做下处理，以防影响数据结果。 数据和一里面的一样，代码如下： <pre name="code" class="java">存储核心代码； FieldType ft=new FieldType(); ft.setIndexed(true);//存储 ft.setStored(true);//索引 ft.setStoreTermVectors(true); ft.setTokenized(true); ft.setStoreTermVectorPositions(true);//存储位置 ft.setStoreTermVectorOffsets(true);//存储偏移量 Document doc=new Document(); doc.add(new Field("name", word, ft)); writer.addDocument(doc); </pre> <pre name="code" class="java"> 获取TF的代码 /** * 读取索引，显示词频 * * **/ public void getTF(){ List<Word> list=new ArrayList<Word>(); try{ Directory directroy=FSDirectory.open(new File("D:\\lucene测试索引\\2014311测试")); IndexReader reader= DirectoryReader.open(directroy); for (int i = 0; i < reader.numDocs(); i++) { int docId = i; System.out.println("第"+(i+1)+"篇文档："); Terms terms = reader.getTermVector(docId, "name"); if (terms == null) continue; TermsEnum termsEnum = terms.iterator(null); BytesRef thisTerm = null; while ((thisTerm = termsEnum.next()) != null) { String termText = thisTerm.utf8ToString(); DocsEnum docsEnum = termsEnum.docs(null, null); while ((docsEnum.nextDoc()) != DocIdSetIterator.NO_MORE_DOCS) { System.out.println("termText:"+termText+" TF: "+docsEnum.freq()); } } } reader.close(); directroy.close(); Collections.sort(list); for(Word w:list){ System.out.println(w); } }catch(Exception e){ e.printStackTrace(); } } </pre> 输出结果如下： <pre name="code" class="java">索引成功了.......... 第1篇文档： 关键词: 搜救 词频： 3 关键词: 12 词频： 2 关键词: 3 词频： 2 关键词: 中国 词频： 2 关键词: 克强 词频： 2 关键词: 日 词频： 2 关键词: 月 词频： 2 关键词: 李克强 词频： 2 关键词: 10 词频： 1 关键词: 15 词频： 1 关键词: 370 词频： 1 关键词: mh 词频： 1 关键词: mh370 词频： 1 关键词: 一切 词频： 1 关键词: 一线 词频： 1 关键词: 一线希望 词频： 1 关键词: 上午 词频： 1 关键词: 不放 词频： 1 关键词: 与 词频： 1 关键词: 中国政府 词频： 1 关键词: 中心 词频： 1 关键词: 中新 词频： 1 关键词: 中新网 词频： 1 关键词: 了解 词频： 1 关键词: 任何 词频： 1 关键词: 会后 词频： 1 关键词: 关 词频： 1 关键词: 分 词频： 1 关键词: 切 词频： 1 关键词: 前方 词频： 1 关键词: 力度 词频： 1 关键词: 力量 词频： 1 关键词: 加大 词频： 1 关键词: 加完 词频： 1 关键词: 参加 词频： 1 关键词: 可能 词频： 1 关键词: 各有 词频： 1 关键词: 后来 词频： 1 关键词: 国务 词频： 1 关键词: 国务院 词频： 1 关键词: 国政 词频： 1 关键词: 失 词频： 1 关键词: 客机 词频： 1 关键词: 密度 词频： 1 关键词: 希望 词频： 1 关键词: 应急 词频： 1 关键词: 强要 词频： 1 关键词: 总理 词频： 1 关键词: 情况 词频： 1 关键词: 指挥 词频： 1 关键词: 指挥中心 词频： 1 关键词: 据 词频： 1 关键词: 放弃 词频： 1 关键词: 政协 词频： 1 关键词: 政府 词频： 1 关键词: 政府网 词频： 1 关键词: 新网 词频： 1 关键词: 新进 词频： 1 关键词: 新进展 词频： 1 关键词: 方中 词频： 1 关键词: 时 词频： 1 关键词: 最新 词频： 1 关键词: 最新进展 词频： 1 关键词: 有 词频： 1 关键词: 有关 词频： 1 关键词: 有关部门 词频： 1 关键词: 来到 词频： 1 关键词: 消息 词频： 1 关键词: 电 词频： 1 关键词: 线 词频： 1 关键词: 网 词频： 1 关键词: 联 词频： 1 关键词: 能力 词频： 1 关键词: 航 词频： 1 关键词: 船长 词频： 1 关键词: 要求 词频： 1 关键词: 调集 词频： 1 关键词: 进展 词频： 1 关键词: 通话 词频： 1 关键词: 部门 词频： 1 关键词: 闭幕 词频： 1 关键词: 闭幕会 词频： 1 关键词: 院 词频： 1 关键词: 马 词频： 1 </pre> 最后，我们来看下，如何获取IDF， 核心代码如下： <pre name="code" class="java">/** * 计算IDF * * **/ public void printIDF(){ try{ Directory directroy=FSDirectory.open(new File("D:\\lucene测试索引\\2014311测试")); IndexReader reader= DirectoryReader.open(directroy); List<AtomicReaderContext> list=reader.leaves(); for(AtomicReaderContext ar:list){ String field="name"; AtomicReader areader=ar.reader(); Terms term=areader.terms("name"); TermsEnum tn=term.iterator(null); BytesRef text; while((text = tn.next()) != null) { System.out.println("field=" + field + "; text=" + text.utf8ToString()+" IDF : "+tn.docFreq() // +" 全局词频 : "+tn.totalTermFreq() ); } } reader.close(); directroy.close(); }catch(Exception e){ e.printStackTrace(); } }</pre> 输出结果如下： <pre name="code" class="java">索引成功了.......... field=name; text=10 IDF : 1 field=name; text=12 IDF : 1 field=name; text=15 IDF : 1 field=name; text=3 IDF : 1 field=name; text=370 IDF : 1 field=name; text=mh IDF : 1 field=name; text=mh370 IDF : 1 field=name; text=一切 IDF : 1 field=name; text=一线 IDF : 1 field=name; text=一线希望 IDF : 1 field=name; text=上午 IDF : 1 field=name; text=不放 IDF : 1 field=name; text=与 IDF : 1 field=name; text=中国 IDF : 1 field=name; text=中国政府 IDF : 1 field=name; text=中心 IDF : 1 field=name; text=中新 IDF : 1 field=name; text=中新网 IDF : 1 field=name; text=了解 IDF : 1 field=name; text=任何 IDF : 1 field=name; text=会后 IDF : 1 field=name; text=克强 IDF : 1 field=name; text=关 IDF : 1 field=name; text=分 IDF : 1 field=name; text=切 IDF : 1 field=name; text=前方 IDF : 1 field=name; text=力度 IDF : 1 field=name; text=力量 IDF : 1 field=name; text=加大 IDF : 1 field=name; text=加完 IDF : 1 field=name; text=参加 IDF : 1 field=name; text=可能 IDF : 1 field=name; text=各有 IDF : 1 field=name; text=后来 IDF : 1 field=name; text=国务 IDF : 1 field=name; text=国务院 IDF : 1 field=name; text=国政 IDF : 1 field=name; text=失 IDF : 1 field=name; text=客机 IDF : 1 field=name; text=密度 IDF : 1 field=name; text=希望 IDF : 1 field=name; text=应急 IDF : 1 field=name; text=强要 IDF : 1 field=name; text=总理 IDF : 1 field=name; text=情况 IDF : 1 field=name; text=指挥 IDF : 1 field=name; text=指挥中心 IDF : 1 field=name; text=据 IDF : 1 field=name; text=搜救 IDF : 1 field=name; text=放弃 IDF : 1 field=name; text=政协 IDF : 1 field=name; text=政府 IDF : 1 field=name; text=政府网 IDF : 1 field=name; text=新网 IDF : 1 field=name; text=新进 IDF : 1 field=name; text=新进展 IDF : 1 field=name; text=方中 IDF : 1 field=name; text=日 IDF : 1 field=name; text=时 IDF : 1 field=name; text=最新 IDF : 1 field=name; text=最新进展 IDF : 1 field=name; text=月 IDF : 1 field=name; text=有 IDF : 1 field=name; text=有关 IDF : 1 field=name; text=有关部门 IDF : 1 field=name; text=李克强 IDF : 1 field=name; text=来到 IDF : 1 field=name; text=消息 IDF : 1 field=name; text=电 IDF : 1 field=name; text=线 IDF : 1 field=name; text=网 IDF : 1 field=name; text=联 IDF : 1 field=name; text=能力 IDF : 1 field=name; text=航 IDF : 1 field=name; text=船长 IDF : 1 field=name; text=要求 IDF : 1 field=name; text=调集 IDF : 1 field=name; text=进展 IDF : 1 field=name; text=通话 IDF : 1 field=name; text=部门 IDF : 1 field=name; text=闭幕 IDF : 1 field=name; text=闭幕会 IDF : 1 field=name; text=院 IDF : 1 field=name; text=马 IDF : 1 </pre> 声明：ITeye文章版权属于作者，受法律保护。没有作者书面许可不得转载。
推荐链接
|
| 返回顶楼 | |
