利用SOLR搭建企业搜索平台之十三 (solr分词器、过滤器、分析器)

昨天晚上详细的说了说lucene的分析器，分词器，过滤器。今天我们来说说solr中的这三者吧。他是怎么基于lucene来写的。部分内容参见网上某文章

关于lucene的分析器，分词器，过滤器，请看： http://lianj-lee.javaeye.com/blog/501247

入正题：

    对一个document进行索引时，其中的每个field中的数据都会经历分析（根据上面的一个博客可以知道，分析就是组合分词和过滤），最终将一句话分成单个的单词，去掉句子当中的空白符号，大写转换小写，复数转单数，去掉多余的词，进行同义词代换等等。

  如：This is a blog! this, is, a 会被去除，最后最剩下blog。当然!这个符号也会被去除的。

  这个过程是在索引和查询过程中都会进行的，而且通常两者进行的处理的都是一样的，这样做是为了保证建立的索引和查询的正确匹配。

分析器（Analyzer）
  分析器是包括两个部分：分词器和过滤器。分词器功能将句子分成单个的词元token，过滤器就是对词元进行过滤。
  solr自带了一些分词器，如果你需要使用自定义的分词器，那么就需要修改schema.xml文件。
  schema.xml 文件允许两种方式修改文本被分析的方式，通常只有field类型为 solr.TextField 的field的内容允许定制分析器。
    方法一：使用任何 org.apache.lucene.analysis.Analyzer的子类进行设定。

Xml代码

1. <fieldType name="text" class="solr.TextField">    
2.       <analyzer class="org.wltea.analyzer.lucene.IKAnalyzer"/>    
3. </fieldType>   

<fieldType name="text" class="solr.TextField">         <analyzer class="org.wltea.analyzer.lucene.IKAnalyzer"/>   </fieldType> 

    方法二：指定一个TokenizerFactory ，后面跟一系列的TokenFilterFactories（它们将按照所列的顺序发生作用），Factories被用来创建分词器和分词过滤器，它们用 于对分词器和分词过滤器的准备配置，这样做的目的是为了避免the overhead of creation via reflection。

Xml代码

1. <analyzer type="index">    
2.         <tokenizer class="org.wltea.analyzer.solr.IKTokenizerFactory" isMaxWordLength="false"/>    
3. ……    
4.     
5.     </analyzer>    
6.     <analyzer type="query">    
7.         <tokenizer class="org.wltea.analyzer.solr.IKTokenizerFactory" isMaxWordLength="true"/>    
8.     ……    
9.     </analyzer>   

<analyzer type="index">           <tokenizer class="org.wltea.analyzer.solr.IKTokenizerFactory" isMaxWordLength="false"/>   ……          </analyzer>       <analyzer type="query">           <tokenizer class="org.wltea.analyzer.solr.IKTokenizerFactory" isMaxWordLength="true"/>       ……       </analyzer> 

  需要说明的一点是，Any Analyzer, TokenizerFactory, or TokenFilterFactory 应该用带包名的全类名进行指定，请确保它们位于Solr的classpath 路径下。对于 org.apache.solr.analysis.* 包下的类，仅仅通过solr.*就可以进行指定。

   如果你需要使用自己的分词器和过滤器，你就需要自己写一个 factory ，它必须是 BaseTokenizerFactory(分词器) 或BaseTokenFilterFactory（过滤器）的子类。就像下面一样。

Java代码

1. public class MyFilterFactory extends BaseTokenFilterFactory {  
2.   public TokenStream create(TokenStream input) {  
3.     return new MyFilter(input);  
4.   }  
5. }  

public class MyFilterFactory extends BaseTokenFilterFactory {   public TokenStream create(TokenStream input) {     return new MyFilter(input);   } } 

对于IK3.1.5版本已经完全支持了solr的分词，这样就不用自己来编写了，而对于中文的切词的话，ik对solr的支持已经很完美了。

Solr提供了哪些TokenizerFactories？

1.  solr.LetterTokenizerFactory
   创建org.apache.lucene.analysis.LetterTokenizer.
   分词举例：
   "I can't" ==> "I", "can", "t"，字母切词。

2.  solr.WhitespaceTokenizerFactory
   创建org.apache.lucene.analysis.WhitespaceTokenizer，主要是切除所有空白字符。

3.  solr.LowerCaseTokenizerFactory
   创建org.apache.lucene.analysis.LowerCaseTokenizer
   分词举例：
  "I can't" ==> "i", "can", "t"，主要是大写转小写。

4.  solr.StandardTokenizerFactory
   创建org.apache.lucene.analysis.standard.StandardTokenizer
   分词举例：  "I.B.M. cat's can't" ==>
ACRONYM: "I.B.M.", APOSTROPHE:"cat's", APOSTROPHE:"can't"

   说明：该分词器，会自动地给每个分词添加type，以便接下来的对type敏感的过滤器进行处理，目前仅仅只有StandardFilter对Token的类型是敏感的。
关键字: 搜索引擎 solr 分词
5.  solr.HTMLStripWhitespaceTokenizerFactory
从结果中出去HTML标签，将结果交给WhitespaceTokenizer处理。
例子：
my <a href="www.foo.bar">link</a>
my link
<?xml?><br>hello<!--comment-->
hello
hello<script><-- f('<--internal--></script>'); --></script>
hello
if a<b then print a;
if a<b then print a;
hello <td height=22 nowrap align="left">
hello
a&lt;b A Alpha&Omega &Omega;
a<b A Alpha&Omega Ω
6.  solr.HTMLStripStandardTokenizerFactory
从结果中出去HTML标签，将结果交给StandardTokenizer处理。
7.  solr.PatternTokenizerFactory
说明：按照规则表达式样式对分本进行分词。
例子：处理对象为，mice; kittens; dogs，他们由分号加上一个或多个的空格分隔。

Xml代码

1. <fieldType name="semicolonDelimited" class="solr.TextField">  
2.   <analyzer>  
3.      <tokenizer class="solr.PatternTokenizerFactory" pattern="; *" />  
4.   </analyzer>  
5. </fieldType>  

<fieldType name="semicolonDelimited" class="solr.TextField">   <analyzer>      <tokenizer class="solr.PatternTokenizerFactory" pattern="; *" />   </analyzer> </fieldType>

Solr有哪些TokenFilterFactories？

1.  solr.StandardFilterFactory
创建：org.apache.lucene.analysis.standard.StandardFilter.
移除首字母简写中的点和Token后面的’s。仅仅作用于有类的Token，他们是由StandardTokenizer产生的。
例：StandardTokenizer+ StandardFilter
"I.B.M. cat's can't" ==> "IBM", "cat", "can't"
2.  solr.LowerCaseFilterFactory
创建：org.apache.lucene.analysis.LowerCaseFilter.
3.  solr.TrimFilterFactory【solr1.2】
创建：org.apache.solr.analysis.TrimFilter
去掉Token两端的空白符
例：
" Kittens!   ", "Duck" ==> "Kittens!", "Duck".
4.  solr.StopFilterFactory
创建：org.apache.lucene.analysis.StopFilter
去掉如下的通用词，多为虚词。
   "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"
自定义的通用词表的使用可以通过schema.xml文件中的"words"属性来指定，如下。

Xml代码

1. <fieldtype name="teststop" class="solr.TextField">  
2.    <analyzer>  
3.      <tokenizer class="solr.LowerCaseTokenizerFactory"/>  
4.      <filter class="solr.StopFilterFactory" words="stopwords.txt" ignoreCase="true"/>  
5.    </analyzer>  
6. </fieldtype>  

<fieldtype name="teststop" class="solr.TextField">    <analyzer>      <tokenizer class="solr.LowerCaseTokenizerFactory"/>      <filter class="solr.StopFilterFactory" words="stopwords.txt" ignoreCase="true"/>    </analyzer> </fieldtype>

5.   solr.KeepWordFilterFactory【solr1.3】
创建：org.apache.solr.analysis.KeepWordFilter
作用与solr.StopFilterFactory相反，保留词的列表也可以通过”word”属性进行指定。

Xml代码

1. <fieldtype name="testkeep" class="solr.TextField">  
2.    <analyzer>  
3.      <filter class="solr.KeepWordFilterFactory" words="keepwords.txt" ignoreCase="true"/>  
4.    </analyzer>  
5. </fieldtype>  

<fieldtype name="testkeep" class="solr.TextField">    <analyzer>      <filter class="solr.KeepWordFilterFactory" words="keepwords.txt" ignoreCase="true"/>    </analyzer> </fieldtype>

6.       solr.LengthFilterFactory
创建：solr.LengthFilter
过滤掉长度在某个范围之外的词。范围设定方式见下面。

Xml代码

1. <fieldtype name="lengthfilt" class="solr.TextField">  
2.   <analyzer>  
3.     <tokenizer class="solr.WhitespaceTokenizerFactory"/>  
4.     <filter class="solr.LengthFilterFactory" min="2" max="5" />  
5.   </analyzer>  
6. </fieldtype>  

<fieldtype name="lengthfilt" class="solr.TextField">   <analyzer>     <tokenizer class="solr.WhitespaceTokenizerFactory"/>     <filter class="solr.LengthFilterFactory" min="2" max="5" />   </analyzer> </fieldtype>

7.  solr.PorterStemFilterFactory
创建：org.apache.lucene.analysis.PorterStemFilter
采用Porter Stemming Algorithm算法去掉单词的后缀，例如将复数形式变成单数形式，第三人称动词变成第一人称，现在分词变成一般现在时的动词。
8.  solr.EnglishPorterFilterFactory
创建：solr.EnglishPorterFilter
关于句子主干的处理，其中的"protected"指定不允许修改的词的文件。
9.  solr.SnowballPorterFilterFactory
关于不同语言的词干处理
10.solr.WordDelimiterFilterFactory
关于分隔符的处理。
11.solr.SynonymFilterFactory
关于同义词的处理。
12.solr.RemoveDuplicatesTokenFilterFactory
避免重复处理。