中文分词---2011-10-25 22:42 Lucene分词实现(二次开发流程)

转自:http://hi.baidu.com/zhumulangma/item/fcb2851542a2b924f7625c32

1.1  分词流程

在Lucene3.0中,对分词主要依靠Analyzer类解析实现。Analyzer内部主要通过TokenStream类实现。Tonkenizer类、TokenFilter类是TokenStream的两个子类。Tokenizer处理单个字符组成的字符流,读取Reader对象中的数据,处理后转换成词汇单元。TokneFilter完成文本过滤器的功能,但在使用过程中必须注意不同的过滤器的使用的顺序。

中文分词---2011-10-25 22:42 Lucene分词实现(二次开发流程)_第1张图片

1.2  分词扩展具体流程

1.2.1  Analyzer类分析

(1)所有的分词器都需要继承于Analyzer抽象类,它定义了tokenStream抽象方法。

public abstract class Analyzer {
   public abstract TokenStream tokenStream(String fieldName, Reader reader);
  public TokenStream reusableTokenStream(String fieldName, Reader reader){}
}

该抽象类规定了Analyzer需要实现的一些方法。

(2)public abstract TokenStream tokenStream(String fieldName, Reader reader);

该方法需要自定义的分词器去实现,并返回TokenStream,即将对象以Reader的方式输入分词为fieldName字段。

TokenStream:分词流,即将对象分词后所得的Token在内存中以流的方式存在,也说是说如果在取得Token必须从TokenStream中获取,而分词对象可以是文档文本,也可以是查询文本。

参数说明:

fieldName——字段名,也就是你建索引的时候对应的字段名,比如:Field f = new Field("title","hello",Field.Store.YES, Field.Index.TOKENIZED);这句中的"title";

reader——java.io.Reader对象;

(3)public TokenStream reusableTokenStream(String fieldName, Reader reader)。设置为可复用TokenStream,将同一线程中前面时间的TokenStream设置为可复用。那些无必要同一时刻使用多个TokenStream的调用者使用这个方法,可以提升性能。

(4)接着,在tokenStream()方法实现中使用Tonkenizer和TokenFilter,例如StandardAnalyzer类中的tokenStream实现:

TokenStream result = new StandardTokenizer(reader);//表示用StandardTokenizer对这个要分词的reader进行处理,然后返回一个TokenStream对象
result = new StandardFilter(result);//表示对生成的TokenStream对象进行标准过滤(Filter)
result = new LowerCaseFilter(result);//表示对上面由"StandardFilter"过滤后的TokenStream对象再进行次过滤,转化为小写

result = new StopFilter(result, stopSet);//接下来再进行次过滤,去掉停止词
5return result;//得到最终结果

由此可以看出,主要的分词环节是Tokenizer类执行,而Filter负责数据的预处理和分词后处理且数量不限。

1.2.2  TokenStream类分析

TokenStream是一个抽象类,枚举词序列,要么是从一个文档的域得来,要么是从一个查询文本中得到。主要任务有:

(1)获取下一Token;

(2)重设流(可选);

(3)关闭流,释放资源;

 public Token next();//取得词序列中的下一个词

public Token next(final Token reusableToken);//输入可复用的Token,作为初始参数,可以返回一个新的Token

 public void reset();

 public void close();

在Lucene3以后,next方法改为了incrementToken,并增加了end方法。

public abstract boolean incrementToken() throws IOException;

public void end() throws IOException;

 

 

1.2.3  Tokenizer类分析

Tokenizer类是继承于TokenStream的一个抽象类,是一个输入为Reader的TokenStream。

其职责是:

(1)接收输入流并根据输入流进行词切分。

因此,该类是定制分词器的核心之一。

publicabstractclass Tokenizer extends TokenStream {

  protected Reader input;//增加了输入流Reader

  protected Tokenizer() {}

  protected Tokenizer(Reader input) {

    this.input = input;

  }

   publicvoid close() throws IOException {

    input.close();

  }

 

  /**设置input到一个新的Reader*/

  publicvoid reset(Reader input) throws IOException {

    this.input = input;

  }

}

在Tokenizer类中,核心的方法是next方法,以CharTokenizer为例。

 publicfinal Token next(final Token reusableToken) throws IOException {

    assert reusableToken != null;

    reusableToken.clear();

    int length = 0;

    int start = bufferIndex;//起始位置

    char[] buffer = reusableToken.termBuffer();

    while (true) {

      if (bufferIndex >= dataLen) {//如果缓冲取大于数据长度,再读取到缓冲区

        offset += dataLen;

        dataLen = input.read(ioBuffer);

        if (dataLen == -1) {

          if (length > 0)

            break;

          else

            returnnull;

        }

         = 0;

      }

      finalchar c = ioBuffer[bufferIndex++];//无论如何都取一个字符

      if (isTokenChar(c)) {// if it's a token char

        if (length == 0)                               // start of token

          start = offset + bufferIndex - 1;

        elseif (length == buffer.length)

          buffer = reusableToken.resizeTermBuffer(1+length);

        buffer[length++] = normalize(c); // buffer it, normalized

        if (length == MAX_WORD_LEN) // buffer overflow!

          break;

      } elseif (length > 0) // at non-Letter w/ chars

        break;                  // return 'em

    }

    reusableToken.setTermLength(length);

    reusableToken.setStartOffset(start);

    reusableToken.setEndOffset(start+length);

    return reusableToken;

  }

1.2.4 TokenFilter类分析

TokenFilter类继承于TokenStream,其输入是另一个TokenStream,主要职责是对TokenStream进行过滤,例如去掉一些索引词、替代同义索引词等操作。

 

1.2.5  Token类分析

(1)Token属性

lucene里定义了几种基本属性:

1)TermAttribute:表示token的字符串信息。比如"I'm";

2)TypeAttribute:表示token词典类别信息,默认为“Word”,比如I'm就属于<APOSTROPHE>,有撇号的类型;

3)OffsetAttribute:表示token的首字母和尾字母在原文本中的位置。比如I'm的位置信息就是(0,3),需要注意的是startOffset与endOffset的差值并不一定就是termText.length(),因为可能term已经用stemmer或者其他过滤器处理过;

4)PositionIncrementAttribute:这个有点特殊,它表示tokenStream中的当前token与前一个token在实际的原文本中相隔的词语数量,用于短语查询。比如: 在tokenStream中[2:a]的前一个token是[1:I'm ],它们在原文本中相隔的词语数是1,则token="a"的PositionIncrementAttribute值为1;

5)PayloadAttribute,payload即负载量意思,是每个term出现一次则存储一次的元数据,它存储于特定term的posting list内部。

6)FlagsAttribute,用于在Tokenizer链之前传递标记(因为前面一个操作可能会影响后面的操作)。

那么这个属性有什么用呢,用处很大的。加入我们想搜索一个短语student apples(假如有这个短语)。很显然,用户是要搜索出student apples紧挨着出现的文档。这个时候我们找到了某一篇文档(比如上面例子的字符串)都含有student apples。但是由于apples的PositionIncrementAttribute值是5,说明肯定没有紧挨着。

(2)核心方法

前面几个属性都作为其成员变量。

l  set、get方法

l  hashCode方法

(为什么要HASH?便于另一种方式去映射,常用的HASH算法有哪些?)

其典型的hash代码是code = code * 31 + startOffset,

l  copyTo方法

复制到另一个AttributeImpl中。

l  reflectWith方法

属性反射,从Token对象中解析得出属性。

你可能感兴趣的:(中文分词---2011-10-25 22:42 Lucene分词实现(二次开发流程))