lucene关于中文分词的问题
关于中文分词的问题,因为Lucene毕竟是国外的大牛们开发的,显然会比较侧重英文文章,不过还好,在Lucene的下载包里同步了SmartCN的分词器针对中文发行的,每一次Lucene有新的版本发行,这个包同时更新。
笔者比较推荐的中文分词器是IK分词器,在进入正式的讲解之前,我们首先对Lucene里面内置的几个分析器做个了解.
分析器类型基本介绍
WhitespaceAnalyzer以空格作为切词标准,不对语汇单元进行其他规范化处理
SimpleAnalyzer以非字母符来分割文本信息,并将语汇单元统一为小写形式,并去掉数字类型的字符
StopAnalyzer该分析器会去除一些常有a,the,an等等,也可以自定义禁用词
StandardAnalyzerLucene内置的标准分析器,会将语汇单元转成小写形式,并去除停用词及标点符号
CJKAnalyzer能对中,日,韩语言进行分析的分词器,对中文支持效果一般。
SmartChineseAnalyzer对中文支持稍好,但扩展性差
评价一个分词器的性能优劣,关键是看它的切词效率以及灵活性,及扩展性,通常情况下一个良好的中文分词器,应该具备扩展词库,禁用词库和同义词库,当然最关键的是还得要与自己的业务符合,因为有些时候我们用不到一些自定义词库,所以选择分词器的时候就可以不考虑这一点。IK官网发布的最新版IK分词器对于Lucene的支持是不错的,但是对于solr的支持就不够好了,需要自己改源码支持solr4.x的版本。笔者使用的另一个IK包是经过一些人修改过的可以支持solr4.3的版本,并对扩展词库,禁用词库,同义词库完全支持,而且在solr里面配置很简单,只需要在schmal.xml进行简单配置,即可使用IK分词器的强大的定制化功能。不过官网上IK作者发布的IK包在lucene里面确都不支持同义词库扩展的功能,如果你想使用,得需要自己修改下源码了,不过即使自己修改扩展同义词也是非常容易的。
下面笔者给出使用官网最后一版发布的IK在Lucene中做的测试,笔者使用的已经扩展了同义词库部分,后面会给出源码。
下面先看第一个纯分词的测试
Java代码复制代码收藏代码
1.packagecom.ikforlucene;
2.
3.importjava.io.StringReader;
4.
5.importorg.apache.lucene.analysis.TokenStream;
6.importorg.apache.lucene.analysis.tokenattributes.CharTermAttribute;
7.
8.
9.publicclassTest{
10.
11.
12.publicstaticvoidmain(String[]args)throwsException{
13.//下面这个分词器,是经过修改支持同义词的分词器
14.IKSynonymsAnalyzeranalyzer=newIKSynonymsAnalyzer();
15.Stringtext="三劫散仙是一个菜鸟";
16.TokenStreamts=analyzer.tokenStream("field",newStringReader(text));
17.CharTermAttributeterm=ts.addAttribute(CharTermAttribute.class);
18.ts.reset();//重置做准备
19.while(ts.incrementToken()){
20.System.out.println(term.toString());
21.}
22.ts.end();//
23.ts.close();//关闭流
24.
25.
26.}
27.
28.}
运行结果:
Java代码复制代码收藏代码
1.三
2.劫
3.散
4.仙
5.是
6.一个
7.菜鸟
第二步,测试扩展词库,使三劫为一个词,散仙为一个词,需要在同义词库里添加三劫,散仙(注意是按行读取的),注意保存的格式为UTF-8或无BOM格式即可
添加扩展词库后运行结果如下:
Java代码复制代码收藏代码
1.三劫
2.散仙
3.是
4.一个
5.菜鸟
第三步,测试禁用词库,我们把菜鸟二个字给屏蔽掉,每行一个词,保存格式同上.
添加禁用词库后运行结果如下:
Java代码复制代码收藏代码
1.三劫
2.散仙
3.是
4.一个
最后我们再来测试下,同义词部分,现在笔者把河南人,洛阳人作为"一个"这个词的同义词,添加到同义词库中(笔者在这里仅仅是做一个测试,真正生产环境中的同义词肯定是正式的),注意同义词,也是按行读取的,每行的同义词之间使用逗号分割。
添加同义词库后运行结果如下:
Java代码复制代码收藏代码
1.三劫
2.散仙
3.是
4.一个
5.河南人
6.洛阳人
至此,使用IK在Lucene4.3中大部分功能都已测试通过,下面给出扩展同义词部分的源码,有兴趣的道友们,可以参照借鉴下。
Java代码复制代码收藏代码
1.packagecom.ikforlucene;
2.
3.importjava.io.IOException;
4.importjava.io.Reader;
5.importjava.util.HashMap;
6.importjava.util.Map;
7.
8.importorg.apache.lucene.analysis.Analyzer;
9.importorg.apache.lucene.analysis.Tokenizer;
10.importorg.apache.lucene.analysis.synonym.SynonymFilterFactory;
11.importorg.apache.solr.core.SolrResourceLoader;
12.importorg.wltea.analyzer.lucene.IKTokenizer;
13./**
14.*可以加载同义词库的Lucene
15.*专用IK分词器
16.*
17.*
18.**/
19.publicclassIKSynonymsAnalyzerextendsAnalyzer{
20.
21.
22.@Override
23.protectedTokenStreamComponentscreateComponents(Stringarg0,Readerarg1){
24.
25.Tokenizertoken=newIKTokenizer(arg1,true);//开启智能切词
26.
27.Map<String,String>paramsMap=newHashMap<String,String>();
28.paramsMap.put("luceneMatchVersion","LUCENE_43");
29.paramsMap.put("synonyms","E:\\同义词\\synonyms.txt");
30.SynonymFilterFactoryfactory=newSynonymFilterFactory(paramsMap);
31.SolrResourceLoaderloader=newSolrResourceLoader("");
32.try{
33.factory.inform(loader);
34.}catch(IOExceptione){
35.//TODOAuto-generatedcatchblock
36.e.printStackTrace();
37.}
38.
39.returnnewTokenStreamComponents(token,factory.create(token));
40.}
41.
42.
43.
44.
45.}
关于同义词部分的使用,各位道友,可以先去官网上下载源码,然后将此同义词扩展部分放进去即可,非常简单方便