Analyzer，或者说文本分析的过程，实质上是将输入文本转化为文本特征向量的过程。这里所说的文本特征，可以是词或者是短语。它主要包括以下四个步骤：
1、分词，将文本解析为单词或短语
2、归一化，将文本转化为小写
3、停用词处理，去除一些常用的、无意义的词
4、提取词干，解决单复数、时态语态等问题
Lucene Analyzer包含两个核心组件，Tokenizer以及TokenFilter。两者的区别在于，前者在字符级别处理流，而后者则在词语级别处理流。Tokenizer是Analyzer的第一步，其构造函数接收一个Reader作为参数，而TokenFilter则是一个类似拦截器的东东，其参数可以使TokenStream、Tokenizer，甚至是另一个TokenFilter。整个Lucene Analyzer的过程如下图所示：
上图中的一些名词的解释如下表所示：
| 类 | 说明 |
| Token | 表示文中出现的一个词，它包含了词在文本中的位置信息 |
| Analyzer | 将文本转化为TokenStream的工具 |
| TokenStream | 文本符号的流 |
| Tokenizer | 在字符级别处理输入符号流 |
| TokenFilter | 在字符级别处理输入符号流，其输入可以是TokenStream、Tokenizer或者TokenFilter |
lucene分词自定义
TokenStream继承关系图如下：
StopAnalyzer，StandardAnalyze，WhitespaceAnalyzer，SimpleAnalyzer，KeyWordAnalyzer都继承自父类Analyzer。
因此只要实现父类的虚方法tokenStream 就可以实现分析。
分词的切分算法由继承自父类Tokenizer的方法
public final boolean incrementToken() throws IOException 来实现。
因此自定义继承类Tokenizer并实现其incrementToken算法就可以实现自定义的分词。
- //自定义禁用分词器
- public class UserDefinedAnalyzer extends Analyzer{
- //定义禁用词集合
- private Set stops;
- //无参构造器使用默认的禁用词分词器
- public UserDefinedAnalyzer (){
- stops = StopAnalyzer.ENGLISH_STOP_WORDS_SET;
- }
- /**
- * 传一个禁用词数组
- * @param sws
- */
- public UserDefinedAnalyzer (String[] sws){
- //使用stopFilter创建禁用词集合
- stops=StopFilter.makeStopSet(Version.LUCENE_35,sws,true);
- //将默认的禁用词添加进集合
- stops.addAll(StopAnalyzer.ENGLISH_STOP_WORDS_SET);
- }
- /**
- * 自定义分词器
- */
- @Override
- public TokenStream tokenStream(String str, Reader reader) {
- //读取原始Reader数据的一定是Tokenizer类，这里使用的是LetterTokenizer
- return new StopFilter(Version.LUCENE_35,
- new LowerCaseFilter(Version.LUCENE_35,
- new LetterTokenizer(Version.LUCENE_35, reader)),stops);
- }
- public static void displayToken(String str,Analyzer a) {
- try {
- TokenStream stream = a.tokenStream("content",new StringReader(str));
- //创建一个属性，这个属性会添加流中，随着这个TokenStream增加
- CharTermAttribute cta = stream.addAttribute(CharTermAttribute.class);
- while(stream.incrementToken()) {
- System.out.print("["+cta+"]");
- }
- System.out.println();
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
- }
测试类
- public class Test {
- public static void main(String[] args) {
- Analyzer a1=new UserDefinedAnalyzer(new String[]{"my","name"});
- //Analyzer a1=new UserDefinedAnalyzer();
- String str="my name is paul";
- UserDefinedAnalyzer.displayToken(str, a1);
- }
- }