lucene4.7 分词器（三）

前面几章笔者把Lucene基本入门的任督二脉给打通了，从此篇开始，就开始进行Lucene的进阶开发了，那么首先摆在我们面前的第一个必须要解决的问题，就是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
StandardAnalyzer	Lucene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

 

package  com.ikforlucene;

import  java.io.StringReader;

import  org.apache.lucene.analysis.TokenStream;
import  org.apache.lucene.analysis.tokenattributes.CharTermAttribute;


public  class  Test {


    public  static  void  main(String[] args) throws  Exception {
                      //下面这个分词器，是经过修改支持同义词的分词器
          IKSynonymsAnalyzer analyzer= new  IKSynonymsAnalyzer();
           String text= "三劫散仙是一个菜鸟" ;
           TokenStream ts=analyzer.tokenStream( "field" ,  new  StringReader(text));
            CharTermAttribute term=ts.addAttribute(CharTermAttribute. class );
            ts.reset(); //重置做准备
            while (ts.incrementToken()){
                System.out.println(term.toString());
            }
            ts.end(); //
            ts.close(); //关闭流


    }

}

运行结果:

三
劫
散
仙
是
一个
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:

三劫
散仙
是
一个
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: 

三劫
散仙
是
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: 

三劫
散仙
是
一个
河南人
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。

package  com.ikforlucene;

import  java.io.IOException;
import  java.io.Reader;
import  java.util.HashMap;
import  java.util.Map;

import  org.apache.lucene.analysis.Analyzer;
import  org.apache.lucene.analysis.Tokenizer;
import  org.apache.lucene.analysis.synonym.SynonymFilterFactory;
import  org.apache.solr.core.SolrResourceLoader;
import  org.wltea.analyzer.lucene.IKTokenizer;
/**
 * 可以加载同义词库的Lucene
 * 专用IK分词器
 *
 *
 * */
public  class  IKSynonymsAnalyzer  extends  Analyzer {


    @Override
    protected  TokenStreamComponents createComponents(String arg0, Reader arg1) {

        Tokenizer token= new  IKTokenizer(arg1,  true ); //开启智能切词

        Map<String, String> paramsMap= new  HashMap<String, String>();
        paramsMap.put( "luceneMatchVersion" ,  "LUCENE_43" );
        paramsMap.put( "synonyms" ,  "E:\\同义词\\synonyms.txt" );
        SynonymFilterFactory factory= new  SynonymFilterFactory(paramsMap);
         SolrResourceLoader loader=     new  SolrResourceLoader( "" );
        try  {
            factory.inform(loader);
        }  catch  (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }

        return  new  TokenStreamComponents(token, factory.create(token));
    }




}

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。