【Lucene3.6.2入门系列】第04节_中文分词器

转载
mob604756fec84d 2013-08-18 21:21:00
文章标签 analyzer lucene apache 分词器 .net 文章分类 代码人生
package com.jadyer.lucene;

import java.io.IOException;
import java.io.StringReader;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.SimpleAnalyzer;
import org.apache.lucene.analysis.StopAnalyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.WhitespaceAnalyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;
import org.apache.lucene.analysis.tokenattributes.PositionIncrementAttribute;
import org.apache.lucene.analysis.tokenattributes.TypeAttribute;
import org.apache.lucene.util.Version;

import com.chenlb.mmseg4j.analysis.ComplexAnalyzer;
import com.chenlb.mmseg4j.analysis.MMSegAnalyzer;

/**
 * 【Lucene3.6.2入门系列】第04节_中文分词器
 * @see -----------------------------------------------------------------------------------------------------------------------
 * @see Lucene3.5推荐的四大分词器:SimpleAnalyzer,StopAnalyzer,WhitespaceAnalyzer,StandardAnalyzer
 * @see 这四大分词器有一个共同的抽象父类,此类有个方法public final TokenStream tokenStream(),即分词的一个流
 * @see 假设有这样的文本"how are you thank you",实际它是以一个java.io.Reader传进分词器中
 * @see Lucene分词器处理完毕后,会把整个分词转换为TokenStream,这个TokenStream中就保存所有的分词信息
 * @see TokenStream有两个实现类,分别为Tokenizer和TokenFilter
 * @see Tokenizer---->用于将一组数据划分为独立的语汇单元(即一个一个的单词)
 * @see TokenFilter-->过滤语汇单元
 * @see -----------------------------------------------------------------------------------------------------------------------
 * @see 分词流程
 * @see 1)将一组数据流java.io.Reader交给Tokenizer,由其将数据转换为一个个的语汇单元
 * @see 2)通过大量的TokenFilter对已经分好词的数据进行过滤操作,最后产生TokenStream
 * @see 3)通过TokenStream完成索引的存储
 * @see -----------------------------------------------------------------------------------------------------------------------
 * @see Tokenizer的一些子类
 * @see KeywordTokenizer-----不分词,传什么就索引什么
 * @see StandardTokenizer----标准分词,它有一些较智能的分词操作,诸如将'jadyer@yeah.net'中的'yeah.net'当作一个分词流
 * @see CharTokenizer--------针对字符进行控制的,它还有两个子类WhitespaceTokenizer和LetterTokenizer
 * @see WhitespaceTokenizer--使用空格进行分词,诸如将'Thank you,I am jadyer'会被分为4个词
 * @see LetterTokenizer------基于文本单词的分词,它会根据标点符号来分词,诸如将'Thank you,I am jadyer'会被分为5个词
 * @see LowerCaseTokenizer---它是LetterTokenizer的子类,它会将数据转为小写并分词
 * @see -----------------------------------------------------------------------------------------------------------------------
 * @see TokenFilter的一些子类
 * @see StopFilter--------它会停用一些语汇单元
 * @see LowerCaseFilter---将数据转换为小写
 * @see StandardFilter----对标准输出流做一些控制
 * @see PorterStemFilter--还原一些数据,比如将coming还原为come,将countries还原为country
 * @see -----------------------------------------------------------------------------------------------------------------------
 * @see eg:'how are you thank you'会被分词为'how','are','you','thank','you'合计5个语汇单元
 * @see 那么应该保存什么东西,才能使以后在需要还原数据时保证正确的还原呢???其实主要保存三个东西,如下所示
 * @see CharTermAttribute(Lucene3.5以前叫TermAttribute),OffsetAttribute,PositionIncrementAttribute
 * @see 1)CharTermAttribute-----------保存相应的词汇,这里保存的就是'how','are','you','thank','you'
 * @see 2)OffsetAttribute-------------保存各词汇之间的偏移量(大致理解为顺序),比如'how'的首尾字母偏移量为0和3,'are'为4和7,'thank'为12和17
 * @see 3)PositionIncrementAttribute--保存词与词之间的位置增量,比如'how'和'are'增量为1,'are'和'you'之间的也是1,'you'和'thank'的也是1
 * @see                               但假设'are'是停用词(StopFilter的效果),那么'how'和'you'之间的位置增量就变成了2
 * @see 当我们查找某一个元素时,Lucene会先通过位置增量来取这个元素,但如果两个词的位置增量相同,会发生什么情况呢
 * @see 假设还有一个单词'this',它的位置增量和'how'是相同的,那么当我们在界面中搜索'this'时
 * @see 也会搜到'how are you thank you',这样就可以有效的做同义词了,目前非常流行的一个叫做WordNet的东西,就可以做同义词的搜索
 * @see -----------------------------------------------------------------------------------------------------------------------
 * @see 中文分词器
 * @see Lucene默认提供的众多分词器完全不适用中文
 * @see 1)Paoding--庖丁解牛分词器,官网为http://code.google.com/p/paoding(貌似已托管在http://git.oschina.net/zhzhenqin/paoding-analysis)
 * @see 2)MMSeg4j--据说它使用的是搜狗的词库,官网为https://code.google.com/p/mmseg4j(另外还有一个https://code.google.com/p/jcseg)
 * @ses 3)IK-------https://code.google.com/p/ik-analyzer/
 * @see -----------------------------------------------------------------------------------------------------------------------
 * @see MMSeg4j的使用
 * @see 1)下载mmseg4j-1.8.5.zip并引入mmseg4j-all-1.8.5-with-dic.jar
 * @see 2)在需要指定分词器的位置编写new MMSegAnalyzer()即可
 * @see 注1)由于使用的mmseg4j-all-1.8.5-with-dic.jar中已自带了词典,故直接new MMSegAnalyzer()即可
 * @see 注2)若引入的是mmseg4j-all-1.8.5.jar,则应指明词典目录,如new MMSegAnalyzer("D:\\Develop\\mmseg4j-1.8.5\\data")
 * @see     但若非要使用new MMSegAnalyzer(),则要将mmseg4j-1.8.5.zip自带的data目录拷入classpath下即可
 * @see 总结:直接引入mmseg4j-all-1.8.5-with-dic.jar就行了
 * @see -----------------------------------------------------------------------------------------------------------------------
 * @create Aug 2, 2013 5:30:45 PM
 * @author 玄玉<http://blog.csdn.net/jadyer>
 */
public class HelloChineseAnalyzer {
	/**
	 * 查看分词信息
	 * @see TokenStream还有两个属性,分别为FlagsAttribute和PayloadAttribute,都是开发时用的
	 * @see FlagsAttribute----标注位属性
	 * @see PayloadAttribute--做负载的属性,用来检测是否已超过负载,超过则可以决定是否停止搜索等等
	 * @param txt        待分词的字符串
	 * @param analyzer   所使用的分词器
	 * @param displayAll 是否显示所有的分词信息
	 */
	public static void displayTokenInfo(String txt, Analyzer analyzer, boolean displayAll){
		//第一个参数没有任何意义,可以随便传一个值,它只是为了显示分词
		//这里就是使用指定的分词器将'txt'分词,分词后会产生一个TokenStream(可将分词后的每个单词理解为一个Token)
		TokenStream stream = analyzer.tokenStream("此参数无意义", new StringReader(txt));
		//用于查看每一个语汇单元的信息,即分词的每一个元素
		//这里创建的属性会被添加到TokenStream流中,并随着TokenStream而增加(此属性就是用来装载每个Token的,即分词后的每个单词)
		//当调用TokenStream.incrementToken()时,就会指向到这个单词流中的第一个单词,即此属性代表的就是分词后的第一个单词
		//可以形象的理解成一只碗,用来盛放TokenStream中每个单词的碗,每调用一次incrementToken()后,这个碗就会盛放流中的下一个单词
		CharTermAttribute cta = stream.addAttribute(CharTermAttribute.class);
		//用于查看位置增量(指的是语汇单元之间的距离,可理解为元素与元素之间的空格,即间隔的单元数)
		PositionIncrementAttribute pia = stream.addAttribute(PositionIncrementAttribute.class);
		//用于查看每个语汇单元的偏移量
		OffsetAttribute oa = stream.addAttribute(OffsetAttribute.class);
		//用于查看使用的分词器的类型信息
		TypeAttribute ta = stream.addAttribute(TypeAttribute.class);
		try {
			if(displayAll){
				//等价于while(stream.incrementToken())
				for(; stream.incrementToken() ;){
					System.out.println(ta.type() + " " + pia.getPositionIncrement() + " ["+oa.startOffset()+"-"+oa.endOffset()+"] ["+cta+"]");
				}
			}else{
				System.out.println();
				while(stream.incrementToken()){
					System.out.print("[" + cta + "]");
				}
			}
		} catch (IOException e) {
			e.printStackTrace();
		}
	}
	
	
	/**
	 * 测试一下中文分词的效果
	 * @author 玄玉<http://blog.csdn.net/jadyer>
	 */
	public static void main(String[] args) {
		String txt = "我来自中国黑龙江省哈尔滨市巴彦县兴隆镇";
		displayTokenInfo(txt, new StandardAnalyzer(Version.LUCENE_36), false);
		displayTokenInfo(txt, new StopAnalyzer(Version.LUCENE_36), false);
		displayTokenInfo(txt, new SimpleAnalyzer(Version.LUCENE_36), false);
		displayTokenInfo(txt, new WhitespaceAnalyzer(Version.LUCENE_36), false);
		displayTokenInfo(txt, new MMSegAnalyzer(), false); //等价于new com.chenlb.mmseg4j.analysis.MaxWordAnalyzer()
		displayTokenInfo(txt, new com.chenlb.mmseg4j.analysis.SimpleAnalyzer(), false);
		displayTokenInfo(txt, new ComplexAnalyzer(), false);
	}
}
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。