Lucene Analyzer(分词器)
Analyzer(分词器)
分词器能以某种规则对关键字进行分词,将分好的词放到目录中,以作为检索到的条件,在创建索引时会使用到分词器,在搜索时也将用到分词器,这两个地方要使用同一个分词器,否则可能找不到结果.分词器一般的工作流程:
- 切分关键词
- 去除停用词
- 对于英文单词,把所有字母转为小写
注:有的分词器对英文支持的非常好,还能对英文单词进行时态还原.
停用词的概念
有些词在文本中出现的频率非常高,但是对文本所携带的信息基本不产生影响,例如英文的“a、an、the、of”,或中文的“的、了、着”,以及各种标点符号等,这样的词称为停用词（stop word）.文本经过分词之后,停用词通常被过滤掉,不会被进行索引.在检索的时候,用户的查询中如果含有停用词,检索系统也会将其过滤掉（因为用户输入的查询字符串也要进行分词处理）.排除停用词可以加快建立索引的速度,减小索引库文件的大小
常用的中文分词器
中文的分词比较复杂,因为不是一个字就是一个词,而且一个词在另外一个地方就可能不是一个词,如在"帽子和服装"中,"和服"就不是一个词.对于中文分词,通常有三种方式：
- 单字分词
- 二分法分词
- 词典分词
单字分词：就是按照中文一个字一个字地进行分词.如："我们是中国人",效果："我"、"们"、"是"、"中"、"国"、"人".（StandardAnalyzer就是这样）
二分法分词：按两个字进行切分.如："我们是中国人",效果："我们"、"们是"、"是中"、"中国"、"国人".（CJKAnalyzer就是这样）
词库分词：按某种算法构造词,然后去匹配已建好的词库集合,如果匹配到就切分出来成为词语.通常词库分词被认为是最理想的中文分词算法.如："我们是中国人",效果为："我们"、"中国人".（使用极易分词的MMAnalyzer.可以使用极易分词,或者是庖丁分词分词器、IKAnalyzer等）.
测试分词器
| /** |
| * 使用指定的分词器对指定的文本进行分词,并打印结果 |
| * @param analyzer |
| * @param text |
| * @throws Exception |
| */ |
| private void testAnalyzer(Analyzer analyzer, String text) throws Exception { |
| System.out.println("当前使用的分词器：" + analyzer.getClass()); |
| TokenStream tokenStream = analyzer.tokenStream("content", new StringReader(text)); |
| tokenStream.addAttribute(TermAttribute.class); |
| while (tokenStream.incrementToken()) { |
| TermAttribute termAttribute = tokenStream.getAttribute(TermAttribute.class); |
| System.out.println(termAttribute.term()); |
| } |
| } |
Highlighter(高亮器)
在搜索结果中经常可以看到,自己搜索的关键字加上了一些效果,以突出显示,Lucene自然提供了这样的设置,我们需要用到Highlighter这个类,用之前需要配置好:
| /** |
| * Formatter:设置高亮器的格式,无参构造函数表示使用<b>标签 |
| * Scorer:Highlighter需要知道哪些关键词是需要高亮的,需要需要查询条件 |
| */ |
| Formatter formatter = new SimpleHTMLFormatter(); |
| Scorer scorer = new QueryScorer(query); |
| Highlighter highlighter = new Highlighter(formatter,scorer); |
| //除了上面两个以外,还需要生成一段摘要,以便搜索的时候显示,指定摘要的大小为20个字符 |
| Fragmenter fragmenter = new SimpleFragmenter(20); |
| highlighter.setTextFragmenter(fragmenter); |
只需要配置这三样就可以了,接着我们要在每一次获取Field对象数据的时候做一些工作,因为高亮器实际上就是在内容中加了一点样式,我们当然要指定在哪里加:
| /** |
| * 在循环获取每一条记录的时候,让高亮器找到需要高亮的关键词, |
| * 要提供相应的分词器和告诉它高亮哪一个Field中的内容 |
| * 一次只能高亮一个Field,如需要高亮多个Field,需要写多次 |
| * 就像这样: |
| String text1 = highlighter.getBestFragment( |
| Configuration.analyzer, "title", |
| doc.get("title")); |
| */ |
| String text = highlighter.getBestFragment(Configuration.analyzer, "content", doc.get("content")); |
| if(text != null){ |
| doc.getField("content").setValue(text); |
| } |
一定要放在循环里面,highlighter.getBestFragment()方法本身没有副作用,也就是不改变原有的值,返回一个改变后的结果,所以要手动地改变Field中原有的值,并且if的条件最好不要省略,有时候可以会有这样一种情况,出现关键字的位置在其他Field里面,所以如果当前高亮的属性值中没有出现搜索关键字,则返回null.
排序
排序有几种方式,最常用的也就是相关度排序,把最有可能是用户需要的数据放在前面.由高到低排序,默认即是使用相关度排序.当然,我们也可以控制相关度排分的比重,比如我们想让一条记录的得分加倍,就要在建立索引时,加几句操作:
| Document doc = DocumentUtils.docConvert(article, Document.class); |
| //setBoost()方法需要一个float类型的参数,表示将相关度得分的因子增加多少倍 |
| doc.setBoost(2F); |
| indexWriter.addDocument(doc); |
这样加进去的索引,就会改变默认的相关度得分因子.如果我们想靠某个Field的值来排序也可以,默认是升序,如果是按某个Field的值来排序,那将不会生成相关度得分,因为没有必要.假设按ID进行升序排列:
| Sort sort = new Sort(new SortField("id",SortField.INT)); |
| TopDocs topDocs = indexSearcher.search(query,null, 100,sort); |
IndexSearcher的search()方法需要改成接收4个参数的重载方法,第二个参数需要一个Filter,这里不需要,就传入null,Sort需要知道按什么排序,由SortField的第一个构造参数指明,第二参数指明类型,接收一个int值,由SortField对象的常量值表示.还可以加入第三个参数:
| Sort sort = new Sort(new SortField("id", SortField.INT, true)); |
表示是否倒序排序.也可以指定多个排序规则.由多个SortField组成第1顺序、第2顺序...
过滤
使用Filter可以对搜索结果进行过滤,以获得更小范围的结果.使用Filter对性能的影响很大(有可能会使查询慢上百倍).假如我要看ID从5到15的:
| //第三个参数:是否包含最小值(5);第四个参数:是否包含最大值(15) |
| Filter filter = NumericRangeFilter.newIntRange("id", 5, 15, true,true); |
| //这个时候就不需要第四个参数来指定排序了,search()这个方法有很多重载版本 |
| TopDocs topDocs = indexSearcher.search(query,filter, 100); |
光这样写还不行,会看不到结果.这是因为要过滤的值,如果是数字,需要以指定的格式存储才行,否则将按字符串的方式来比较.
对于这个问题,需要引出一个工具类:NumericUtils,这个工具类专门做数值与数值或字符串间的转换工作.要在对象到Document以及Document到对象的转换的时候进行,这是对于数值,如果是日期类型,需要使用这个工具类:DateTools.
注:这样做了以后,可能还是不行,对于使用NumericUtils把数字转换为字符串,一定要使用Index.NOT_ANALYZED,以保存能够正确的使用Filter
其他搜索
首先,有两种搜索方式:
- 使用QueryParser（或MultiFieldQueryParser）解析查询字符串的方式
- 自己直接创建Query子类的实例方式
由于可以使用Query对象的toString()方法打印出对应的查询语法,所以以第二种方式做的话,可以看相应的第一种查询方法:
| /* 1.匹配所有对应的查询字符串为: *:* |
| Query query = new MatchAllDocsQuery(); |
| 2.范围查询对应的查询字符串为： id:[5 TO 15] |
| Query query = NumericRangeQuery.newIntRange("id", 5, 15, true, true); |
| 范围查询对应的查询字符串为： id:{5 TO 15} |
| Query query = NumericRangeQuery.newIntRange("id", 5, 15, false,false); |
| 范围查询对应的查询字符串为： id:{5 TO 15] |
| Query query = NumericRangeQuery.newIntRange("id", 5, 15, false, true); |
| 3.关键词对应的查询字符串为： title:lucene |
| Query query = new TermQuery(new Term("title", "lucene")); |
| 4.通配符对应的查询字符串为： title:lucen? |
| Query query = new WildcardQuery(new Term("title", "lucen?")); |
| 通配符对应的查询字符串为： title:lu*ne |
| Query query = new WildcardQuery(new Term("title", "lu*ne")); |
| 5.短语对应的查询字符串为： title:"lucene ? ? 工作" |
| PhraseQuery phraseQuery = new PhraseQuery(); |
| phraseQuery.add(new Term("title", "lucene"), 0); // 第一个词的索引是0 |
| phraseQuery.add(new Term("title", "工作"), 3); |
| 短语对应的查询字符串为： title:"lucene 工作"~5 |
| phraseQuery.add(new Term("title", "lucene")); |
| phraseQuery.add(new Term("title", "工作")); |
| phraseQuery.setSlop(5); // 指定这些词中间的间隔最多不会超过5个词 |
| 6.布尔查询 |
| 对应的查询语法两种： |
| 1. + 代表MUST，-表示NOT |
| 2. AND、OR、NOT，注意要全是大写 |
| 3. MUST 必须满足 |
| MUST_NOT 非 |
| SHOULD 多个SHOULD一起用，是OR的关系 |
| Query query1 = new TermQuery(new Term("title", "lucene")); |
| Query query2 = NumericRangeQuery.newIntRange("id", 5, 15, false, true); |
| 对应的查询字符串为： +title:lucene +id:{5 TO 15] |
| 对应的查询字符串为： title:lucene AND id:{5 TO 15] |
| booleanQuery.add(query1, Occur.MUST); |
| booleanQuery.add(query2, Occur.MUST); |
| 对应的查询字符串为： +title:lucene -id:{5 TO 15] |
| 对应的查询字符串为： title:lucene NOT id:{5 TO 15] |
| booleanQuery.add(query1, Occur.MUST); |
| booleanQuery.add(query2, Occur.MUST_NOT); |
| 对应的查询字符串为： title:lucene id:{5 TO 15] |
| 对应的查询字符串为： title:lucene OR id:{5 TO 15] |
| booleanQuery.add(query1, Occur.SHOULD); |
| booleanQuery.add(query2, Occur.SHOULD); |
| ---------------------------------------------------- |
| MUST + SHOULD，与只有一个MUST效果相同 |
| SHOULD + MUST_NOT，这时SHOULD就相当MUST |
| MUST_NOT + MUST_NOT，没有匹配结果，也不报错。 |
| */ |