全文检索引擎Solr系列——整合中文分词组件IKAnalyzer

IK Analyzer是一款结合了词典和文法分析算法的中文分词组件，基于字符串匹配，支持用户词典扩展定义，支持细粒度和智能切分，比如：

张三说的确实在理

智能分词的结果是：

张三 |  说的 |  确实 |  在理 

最细粒度分词结果：

张三 |  三 |  说的 |  的确 |  的 |  确实 |  实在 |  在理

整合IK Analyzer比mmseg4j要简单很多，下载解压缩IKAnalyzer2012FF_u1.jar放到目录：E:\solr-4.8.0\example\solr-webapp\webapp\WEB-INF\lib，修改配置文件schema.xml，添加代码：

<field name= "content" type= "text_ik" indexed= "true" stored= "true" />

<fieldType name= "text_ik" class = "solr.TextField" >
      <analyzer type= "index" isMaxWordLength= "false" class = "org.wltea.analyzer.lucene.IKAnalyzer" />
      <analyzer type= "query" isMaxWordLength= "true" class = "org.wltea.analyzer.lucene.IKAnalyzer" />
</fieldType>

查询采用IK自己的最大分词法,索引则采用它的细粒度分词法

此时就算配置完成了，重启服务：java -jar start.jar，来看看IKAnalyzer的分词效果怎么样，打开Solr管理界面，点击左侧的Analysis页面

默认分词器进行最细粒度切分。IKAnalyzer支持通过配置IKAnalyzer.cfg.xml 文件来扩充您的与有词典以及停止词典（过滤词典），只需把IKAnalyzer.cfg.xml文件放入class目录下面，指定自己的词典mydic.dic

<?xml version= "1.0" encoding= "UTF-8" ?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd" >
<properties>
  <comment>IK Analyzer 扩展配置</comment>
  <!--用户可以在这里配置自己的扩展字典  -->
  <entry key= "ext_dict" >/mydict.dic;
/com/mycompany/dic/mydict2.dic;</entry>

   <!--用户可以在这里配置自己的扩展停止词字典-->
  <entry key= "ext_stopwords" >/ext_stopword.dic</entry>
</properties>

事实上前面的FieldType配置其实存在问题，根据目前最新的IK版本IK Analyzer 2012FF_hf1.zip，索引时使用最细粒度分词，查询时最大分词（智能分词）实际上是不生效的。

据作者linliangyi说，在2012FF_hf1这个版本中已经修复，经测试还是没用，详情请看此贴。

解决办法：重新实现IKAnalyzerSolrFactory

package org.wltea.analyzer.lucene;

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

   import org.apache.lucene.analysis.Tokenizer;
   import org.apache.lucene.analysis.util.TokenizerFactory;
   //lucene:4.8之前的版本
   //import org.apache.lucene.util.AttributeSource.AttributeFactory;
   //lucene:4.9
   import org.apache.lucene.util.AttributeFactory;

   public class IKAnalyzerSolrFactory extends TokenizerFactory{

       private boolean useSmart;

       public boolean useSmart() {
           return useSmart;
       }

       public void setUseSmart( boolean useSmart) {
           this .useSmart = useSmart;
       }

        public IKAnalyzerSolrFactory(Map<String,String> args) {
            super (args);
            assureMatchVersion();
            this .setUseSmart(args.get( "useSmart" ).toString().equals( "true" ));
          }


       @Override
       public Tokenizer create(AttributeFactory factory, Reader input) {
           Tokenizer _IKTokenizer = new IKTokenizer(input , this .useSmart);
           return _IKTokenizer;
       }

   }

重新编译后更新jar文件，更新schema.xml文件：

<fieldType name= "text_ik" class = "solr.TextField" >
        <analyzer type= "index" >
            <tokenizer class = "org.wltea.analyzer.lucene.IKAnalyzerSolrFactory" useSmart= "false" />
        </analyzer>
        <analyzer type= "query" >
            <tokenizer class = "org.wltea.analyzer.lucene.IKAnalyzerSolrFactory" useSmart= "true" />
        </analyzer>
</fieldType>