Lucene系列四：Lucene提供的分词器、IKAnalyze中文分词器集成、扩展 IKAnalyzer的停用词和新词

2023-08-12 22:32:10

一、Lucene提供的分词器StandardAnalyzer和SmartChineseAnalyzer

1.新建一个测试Lucene提供的分词器的maven项目LuceneAnalyzer

2. 在pom.xml里面引入如下依赖

        <!-- lucene 核心模块  -->

        <dependency>

            <groupId>org.apache.lucene</groupId>

            <artifactId>lucene-core</artifactId>

            <version>7.3.0</version>

        </dependency>

        <!-- Lucene提供的中文分词器模块，lucene-analyzers-smartcn:Lucene  的中文分词器 SmartChineseAnalyzer -->

        <dependency>

            <groupId>org.apache.lucene</groupId>

            <artifactId>lucene-analyzers-smartcn</artifactId>

            <version>7.3.0</version>

        </dependency>

3. 新建一个标准分词器StandardAnalyzer的测试类LuceneStandardAnalyzerTest

package com.luceneanalyzer.use.standardanalyzer;

import java.io.IOException;

import org.apache.lucene.analysis.Analyzer;

import org.apache.lucene.analysis.TokenStream;

import org.apache.lucene.analysis.standard.StandardAnalyzer;

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

/**

 * Lucene core模块中的 StandardAnalyzer英文分词器使用

 * 英文分词效果好，中文分词效果不好

 * @author THINKPAD

 *

 */

public class LuceneStandardAnalyzerTest {

    private static void doToken(TokenStream ts) throws IOException {

        ts.reset();

        CharTermAttribute cta = ts.getAttribute(CharTermAttribute.class);

        while (ts.incrementToken()) {

            System.out.print(cta.toString() + "|");

        }

        System.out.println();

        ts.end();

        ts.close();

    }

    public static void main(String[] args) throws IOException {

        String etext = "Analysis is one of the main causes of slow indexing. Simply put, the more you analyze the slower analyze the indexing (in most cases).";

        String chineseText = "张三说的确实在理。";

        // Lucene core模块中的 StandardAnalyzer 英文分词器

        try (Analyzer ana = new StandardAnalyzer();) {

            TokenStream ts = ana.tokenStream("coent", etext);

            System.out.println("标准分词器，英文分词效果：");

            doToken(ts);

            ts = ana.tokenStream("content", chineseText);

            System.out.println("标准分词器，中文分词效果：");

            doToken(ts);

        } catch (IOException e) {

        }

    }

}

运行效果：

标准分词器，英文分词效果：

analysis|one|main|causes|slow|indexing|simply|put|more|you|analyze|slower|analyze|indexing|most|cases|

标准分词器，中文分词效果：

张|三|说|的|确|实|在|理|

4. 新建一个Lucene提供的中文分词器SmartChineseAnalyzer的测试类

package com.luceneanalyzer.use.smartchineseanalyzer;

import java.io.IOException;

import org.apache.lucene.analysis.Analyzer;

import org.apache.lucene.analysis.TokenStream;

import org.apache.lucene.analysis.cn.smart.SmartChineseAnalyzer;

import org.apache.lucene.analysis.standard.StandardAnalyzer;

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

/**

 * Lucene提供的中文分词器模块，lucene-analyzers-smartcn:Lucene 的中文分词器 SmartChineseAnalyzer

 * 中英文分词效果都不好

 *

 * @author THINKPAD

 *

 */

public class LuceneSmartChineseAnalyzerTest {

    private static void doToken(TokenStream ts) throws IOException {

        ts.reset();

        CharTermAttribute cta = ts.getAttribute(CharTermAttribute.class);

        while (ts.incrementToken()) {

            System.out.print(cta.toString() + "|");

        }

        System.out.println();

        ts.end();

        ts.close();

    }

    public static void main(String[] args) throws IOException {

        String etext = "Analysis is one of the main causes of slow indexing. Simply put, the more you analyze the slower analyze the indexing (in most cases).";

        String chineseText = "张三说的确实在理。";

        // Lucene 的中文分词器 SmartChineseAnalyzer

        try (Analyzer smart = new SmartChineseAnalyzer()) {

            TokenStream ts = smart.tokenStream("content", etext);

            System.out.println("smart中文分词器，英文分词效果：");

            doToken(ts);

            ts = smart.tokenStream("content", chineseText);

            System.out.println("smart中文分词器，中文分词效果：");

            doToken(ts);

        }

    }

}

运行效果：

smart中文分词器，英文分词效果：

analysi|is|on|of|the|main|caus|of|slow|index|simpli|put|the|more|you|analyz|the|slower|analyz|the|index|in|most|case|

smart中文分词器，中文分词效果：

张|三|说|的|确实|在|理|

二、IKAnalyze中文分词器集成

IKAnalyzer是开源、轻量级的中文分词器，应用比较多

最先是作为lucene上使用而开发，后来发展为独立的分词组件。只提供到Lucene 4.0版本的支持。我们在4.0以后版本Lucene中使用就需要简单集成一下。

需要做集成，是因为Analyzer的createComponents方法API改变了

IKAnalyzer提供两种分词模式：细粒度分词和智能分词

集成步骤

1、找到 IkAnalyzer包体提供的Lucene支持类，比较IKAnalyzer的createComponets方法。

4.0及之前版本的createComponets方法：

@Override

  protected TokenStreamComponents createComponents(String fieldName, final Reader in) {

    Tokenizer _IKTokenizer = new IKTokenizer(in, this.useSmart());

    return new TokenStreamComponents(_IKTokenizer);

  }

最新的createComponets方法：

  protected abstract TokenStreamComponents createComponents(String fieldName);

2、照这两个类，创建新版本的，类里面的代码直接复制，修改参数即可。

下面开始集成：

1.新建一个maven项目IkanalyzerIntegrated

2. 在pom.xml里面引入如下依赖

         <!-- lucene 核心模块  -->

        <dependency>

            <groupId>org.apache.lucene</groupId>

            <artifactId>lucene-core</artifactId>

            <version>7.3.0</version>

        </dependency>   

        <!-- ikanalyzer 中文分词器  -->

        <dependency>

            <groupId>com.janeluo</groupId>

            <artifactId>ikanalyzer</artifactId>

            <version>2012_u6</version>

            <!--排除掉里面旧的lucene包，因为我们要重写里面的分析器和分词器  -->

            <exclusions>

                <exclusion>

                    <groupId>org.apache.lucene</groupId>

                    <artifactId>lucene-core</artifactId>

                </exclusion>

                <exclusion>

                    <groupId>org.apache.lucene</groupId>

                    <artifactId>lucene-queryparser</artifactId>

                </exclusion>

                <exclusion>

                    <groupId>org.apache.lucene</groupId>

                    <artifactId>lucene-analyzers-common</artifactId>

                </exclusion>

            </exclusions>

        </dependency>

3. 重写分析器

package com.study.lucene.ikanalyzer.Integrated;

import org.apache.lucene.analysis.Analyzer;

/**

 * 因为Analyzer的createComponents方法API改变了需要重新实现分析器

 * @author THINKPAD

 *

 */

public class IKAnalyzer4Lucene7 extends Analyzer {

    private boolean useSmart = false;

    public IKAnalyzer4Lucene7() {

        this(false);

    }

    public IKAnalyzer4Lucene7(boolean useSmart) {

        super();

        this.useSmart = useSmart;

    }

    public boolean isUseSmart() {

        return useSmart;

    }

    public void setUseSmart(boolean useSmart) {

        this.useSmart = useSmart;

    }

    @Override

    protected TokenStreamComponents createComponents(String fieldName) {

        IKTokenizer4Lucene7 tk = new IKTokenizer4Lucene7(this.useSmart);

        return new TokenStreamComponents(tk);

    }

}

4. 重写分词器

package com.study.lucene.ikanalyzer.Integrated;

import java.io.IOException;

import org.apache.lucene.analysis.Tokenizer;

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

import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;

import org.apache.lucene.analysis.tokenattributes.TypeAttribute;

import org.wltea.analyzer.core.IKSegmenter;

import org.wltea.analyzer.core.Lexeme;

/**

 * 因为Analyzer的createComponents方法API改变了需要重新实现分词器

 * @author THINKPAD

 *

 */

public class IKTokenizer4Lucene7 extends Tokenizer {

    // IK分词器实现

    private IKSegmenter _IKImplement;

    // 词元文本属性

    private final CharTermAttribute termAtt;

    // 词元位移属性

    private final OffsetAttribute offsetAtt;

    // 词元分类属性（该属性分类参考org.wltea.analyzer.core.Lexeme中的分类常量）

    private final TypeAttribute typeAtt;

    // 记录最后一个词元的结束位置

    private int endPosition;

    /**

     * @param in

     * @param useSmart

     */

    public IKTokenizer4Lucene7(boolean useSmart) {

        super();

        offsetAtt = addAttribute(OffsetAttribute.class);

        termAtt = addAttribute(CharTermAttribute.class);

        typeAtt = addAttribute(TypeAttribute.class);

        _IKImplement = new IKSegmenter(input, useSmart);

    }

    /*

     * (non-Javadoc)

     *

     * @see org.apache.lucene.analysis.TokenStream#incrementToken()

     */

    @Override

    public boolean incrementToken() throws IOException {

        // 清除所有的词元属性

        clearAttributes();

        Lexeme nextLexeme = _IKImplement.next();

        if (nextLexeme != null) {

            // 将Lexeme转成Attributes

            // 设置词元文本

            termAtt.append(nextLexeme.getLexemeText());

            // 设置词元长度

            termAtt.setLength(nextLexeme.getLength());

            // 设置词元位移

            offsetAtt.setOffset(nextLexeme.getBeginPosition(),

                    nextLexeme.getEndPosition());

            // 记录分词的最后位置

            endPosition = nextLexeme.getEndPosition();

            // 记录词元分类

            typeAtt.setType(nextLexeme.getLexemeTypeString());

            // 返会true告知还有下个词元

            return true;

        }

        // 返会false告知词元输出完毕

        return false;

    }

    /*

     * (non-Javadoc)

     *

     * @see org.apache.lucene.analysis.Tokenizer#reset(java.io.Reader)

     */

    @Override

    public void reset() throws IOException {

        super.reset();

        _IKImplement.reset(input);

    }

    @Override

    public final void end() {

        // set final offset

        int finalOffset = correctOffset(this.endPosition);

        offsetAtt.setOffset(finalOffset, finalOffset);

    }

}

5. 新建一个IKAnalyzer的测试类IKAnalyzerTest

package com.study.lucene.ikanalyzer.Integrated;

import java.io.IOException;

import org.apache.lucene.analysis.Analyzer;

import org.apache.lucene.analysis.TokenStream;

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

/**

 * IKAnalyzer分词器集成测试:

 * 细粒度切分：把词分到最细

 * 智能切分：根据词库进行拆分符合我们的语言习惯

 *

 * @author THINKPAD

 *

 */

public class IKAnalyzerTest {

    private static void doToken(TokenStream ts) throws IOException {

        ts.reset();

        CharTermAttribute cta = ts.getAttribute(CharTermAttribute.class);

        while (ts.incrementToken()) {

            System.out.print(cta.toString() + "|");

        }

        System.out.println();

        ts.end();

        ts.close();

    }

    public static void main(String[] args) throws IOException {

        String etext = "Analysis is one of the main causes of slow indexing. Simply put, the more you analyze the slower analyze the indexing (in most cases).";

        String chineseText = "张三说的确实在理。";

        /**

         * ikanalyzer 中文分词器 因为Analyzer的createComponents方法API改变了 需要我们自己实现

         * 分析器IKAnalyzer4Lucene7和分词器IKTokenizer4Lucene7

         */

        // IKAnalyzer 细粒度切分

        try (Analyzer ik = new IKAnalyzer4Lucene7();) {

            TokenStream ts = ik.tokenStream("content", etext);

            System.out.println("IKAnalyzer中文分词器 细粒度切分，英文分词效果：");

            doToken(ts);

            ts = ik.tokenStream("content", chineseText);

            System.out.println("IKAnalyzer中文分词器 细粒度切分，中文分词效果：");

            doToken(ts);

        }

        // IKAnalyzer 智能切分

        try (Analyzer ik = new IKAnalyzer4Lucene7(true);) {

            TokenStream ts = ik.tokenStream("content", etext);

            System.out.println("IKAnalyzer中文分词器 智能切分，英文分词效果：");

            doToken(ts);

            ts = ik.tokenStream("content", chineseText);

            System.out.println("IKAnalyzer中文分词器 智能切分，中文分词效果：");

            doToken(ts);

        }

    }

}

运行结果：

IKAnalyzer中文分词器 细粒度切分，英文分词效果：

analysis|is|one|of|the|main|causes|of|slow|indexing.|indexing|simply|put|the|more|you|analyze|the|slower|analyze|the|indexing|in|most|cases|

IKAnalyzer中文分词器 细粒度切分，中文分词效果：

张三|三|说的|的确|的|确实|实在|在理|

IKAnalyzer中文分词器 智能切分，英文分词效果：

analysis|is|one|of|the|main|causes|of|slow|indexing.|simply|put|the|more|you|analyze|the|slower|analyze|the|indexing|in|most|cases|

IKAnalyzer中文分词器 智能切分，中文分词效果：

张三|说的|确实|在理|

三、扩展 IKAnalyzer的停用词和新词

扩展 IKAnalyzer的停用词

1、在类目录下创建IK的配置文件：IKAnalyzer.cfg.xml

2、在配置文件中增加配置扩展停用词文件的节点： <entry key=“ext_stopwords”>my_ext_stopword.dic</entry> 如有多个，以“;”间隔

<?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停止词字典-->

    <entry key="ext_stopwords">my_ext_stopword.dic</entry>

</properties>

3、在类目录下创建我们的扩展停用词文件 my_ext_stopword.dic，编辑该文件加入停用词，一行一个

4、目录结构如下：

5.新建测试类ExtendedIKAnalyzerDicTest.java

package com.study.lucene.ikanalyzer.Integrated.ext;

import java.io.IOException;

import org.apache.lucene.analysis.Analyzer;

import org.apache.lucene.analysis.TokenStream;

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

import com.study.lucene.ikanalyzer.Integrated.IKAnalyzer4Lucene7;

/**

 * 扩展 IKAnalyzer的词典测试

 *

 *

 */

public class ExtendedIKAnalyzerDicTest {

    private static void doToken(TokenStream ts) throws IOException {

        ts.reset();

        CharTermAttribute cta = ts.getAttribute(CharTermAttribute.class);

        while (ts.incrementToken()) {

            System.out.print(cta.toString() + "|");

        }

        System.out.println();

        ts.end();

        ts.close();

    }

    public static void main(String[] args) throws IOException {

        String chineseText = "厉害了我的国一经播出，受到各方好评，强烈激发了国人的爱国之情、自豪感！";

        // IKAnalyzer 细粒度切分

        try (Analyzer ik = new IKAnalyzer4Lucene7();) {

            TokenStream ts = ik.tokenStream("content", chineseText);

            System.out.println("IKAnalyzer中文分词器 细粒度切分，中文分词效果：");

            doToken(ts);

        }

        // IKAnalyzer 智能切分

        try (Analyzer ik = new IKAnalyzer4Lucene7(true);) {

            TokenStream ts = ik.tokenStream("content", chineseText);

            System.out.println("IKAnalyzer中文分词器 智能切分，中文分词效果：");

            doToken(ts);

        }

    }

}

运行结果：

未加停用词之前：

加停用词之后：

扩展 IKAnalyzer的新词：

1、在类目录下IK的配置文件：IKAnalyzer.cfg.xml 中增加配置扩展词文件的节点： <entry key="ext_dict">ext.dic</entry> 如有多个，以“;”间隔

<?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">ext.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">my_ext_stopword.dic</entry>

</properties>

2、在类目录下创建扩展词文件 ext.dic，编辑该文件加入新词，一行一个