关于lucene的分词（二）
于Lucene的analyisis包下的Standard包下的StandardAnalyzer()功能很强大,而且支持CJK分词,我们简要说一下.
此包下的文件是有StandardTokenizer.jj经过javac命令生成的.由于是机器自动生成的代码,可能可读性很差,想了解的话好好看看那个StandardTokenizer.jj文件就会比较明了了.
Lucene常用的Analyzer功能概述.
WhitespaceAnalyzer:仅仅是去除空格，对字符没有lowcase化,不支持中文
SimpleAnalyzer:功能强于WhitespaceAnalyzer,将除去letter之外的符号全部过滤掉,并且将所有的字符lowcase化,不支持中文
StopAnalyzer:StopAnalyzer的功能超越了SimpleAnalyzer，在SimpleAnalyzer的基础上
??? 增加了去除StopWords的功能,不支持中文
StandardAnalyzer:英文的处理能力同于StopAnalyzer.支持中文采用的方法为单字切分.
ChineseAnalyzer:来自于Lucene的sand box.性能类似于StandardAnalyzer,缺点是不支持中英文混和分词.
CJKAnalyzer:chedong写的CJKAnalyzer的功能在英文处理上的功能和StandardAnalyzer相同
??? 但是在汉语的分词上，不能过滤掉标点符号，即使用二元切分
TjuChineseAnalyzer:我写的,功能最为强大.TjuChineseAnlyzer的功能相当强大,在中文分词方面由于其调用的为ICTCLAS的java接口.所以其在中文方面性能上同与ICTCLAS.其在英文分词上采用了Lucene的StopAnalyzer,可以去除 stopWords,而且可以不区分大小写,过滤掉各类标点符号.
各个Analyzer的功能已经比较介绍完毕了,现在咱们应该学写Analyzer,如何diy自己的analyzer呢??
如何DIY一个Analyzer
咱们写一个Analyzer,要求有一下功能
(1)??? 可以处理中文和英文,对于中文实现的是单字切分,对于英文实现的是以空格切分.
(2)??? 对于英文部分要进行小写化.
(3)??? 具有过滤功能,可以人工设定StopWords列表.如果不是人工设定,系统会给出默认的StopWords列表.
(4)??? 使用P-stemming算法对于英文部分进行词缀处理.
代码如下:
public final class DiyAnalyzer
??? extends Analyzer
{
private Set stopWords;
public static final String[] CHINESE_ENGLISH_STOP_WORDS =
????? {
????? "a", "an", "and", "are", "as", "at", "be", "but", "by",
????? "for", "if", "in", "into", "is", "it",
????? "no", "not", "of", "on", "or", "s", "such",
????? "t", "that", "the", "their", "then", "there", "these",
????? "they", "this", "to", "was", "will", "with",
????? "我", "我们"
};
public DiyAnalyzer()
{
??? this.stopWords=StopFilter.makeStopSet(CHINESE_ENGLISH_STOP_WORDS);
}
?
public DiyAnalyzer(String[] stopWordList)
{
??? this.stopWords=StopFilter.makeStopSet(stopWordList);
}
?
public TokenStream tokenStream(String fieldName, Reader reader)
{
??? TokenStream result = new StandardTokenizer(reader);
??? result = new LowerCaseFilter(result);
?
??? result = new StopFilter(result, stopWords);
??? result = new PorterStemFilter(result);
??? return result;
}
?
public static void main(String[] args)
{
??? //好像英文的结束符号标点.,StandardAnalyzer不能识别
??? String string = new String("我爱中国,我爱天津大学!I love China!Tianjin is a City");
??? Analyzer analyzer = new DiyAnalyzer();
??? TokenStream ts = analyzer.tokenStream("dummy", new StringReader(string));
??? Token token;
??? try
??? {
????? while ( (token = ts.next()) != null)
????? {
??????? System.out.println(token.toString());
????? }
??? }
??? catch (IOException ioe)
??? {
????? ioe.printStackTrace();
??? }
}
}
可以看见其后的结果如下:
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(爱,1,2,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(中,2,3,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(国,3,4,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(爱,6,7,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(天,7,8,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(津,8,9,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(大,9,10,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(学,10,11,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(i,12,13,<ALPHANUM>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(love,14,18,<ALPHANUM>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(china,19,24,<ALPHANUM>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(tianjin,25,32,<ALPHANUM>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(citi,39,43,<ALPHANUM>,1)
