半步多 玄玉的博客

Lucene系列第04节之中文分词器

2013-08-18
玄玉

简介

Lucene-3.5推荐的四大分词器:SimpleAnalyzer、StopAnalyzer、WhitespaceAnalyzer、StandardAnalyzer

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

而分词流程大致有以下三个步骤

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

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

3、通过TokenStream完成索引的存储

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

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

TokenStream有两个实现类:TokenizerTokenFilter

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,下面是它的一些子类

  • KeywordTokenizer,不分词,传什么就索引什么
  • 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
  • CharTokenizer,针对字符进行控制的,它还有两个子类WhitespaceTokenizer和LetterTokenizer
  • WhitespaceTokenizer,使用空格进行分词,诸如将’Thank you,I am jadyer’会被分为4个词
  • 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
  • LowerCaseTokenizer,它是LetterTokenizer的子类,它会将数据转为小写并分词

TokenFilter用于过滤语汇单元,下面是它的一些子类

  • StopFilter,它会停用一些语汇单元
  • LowerCaseFilter,将数据转换为小写
  • StandardFilter,对标准输出流做一些控制
  • PorterStemFilter,还原一些数据,比如将coming还原为come,将countries还原为country

举例

比如’how are you thank you’会被分词为’how’,’are’,’you’,’thank’,’you’合计5个语汇单元

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

1、CharTermAttribute(Lucene-3.5以前叫TermAttribute):保存相应词汇,这里保存的就是’how’,’are’,’you’,’thank’,’you’

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,’thank’为12和17

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’是1,’you’和’thank’也是1

               但是,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

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

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,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

中文分词

Lucene默认提供的众多分词器完全不适用中文,下面是一些常见的中文分词器

1、IK:官网为https://code.google.com/p/ik-analyzer/

2、Paoding:庖丁解牛分词器,官网为http://code.google.com/p/paoding

3、MMSeg4j:据说它使用的是搜狗的词库,官网为https://code.google.com/p/mmseg4j

下面介绍下MMSeg4j的使用

首先下载mmseg4j-1.8.5.zip并引入mmseg4j-all-1.8.5-with-dic.jar

然后在需要指定分词器的位置编写new MMSegAnalyzer()即可

补充:由于使用的mmseg4j-all-1.8.5-with-dic.jar中已自带了词典,所以直接new MMSegAnalyzer()就行

补充:若引入的是mmseg4j-all-1.8.5.jar,则应指明词典目录,比如new MMSegAnalyzer(“D:\Develop\mmseg4j-1.8.5\data”)

   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

一句话总结:直接引入mmseg4j-all-1.8.5-with-dic.jar就行了

代码

下面是示例代码

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;

/**
 * Lucene系列第04节之中文分词器
 * Created by 玄玉<https://jadyer.cn/> on 2013/08/18 17:43.
 */
public class HelloChineseAnalyzer {
    /**
     * 查看分词信息
     * -----------------------------------------------------------------------------------
     * TokenStream还有两个属性,分别为FlagsAttribute和PayloadAttribute,都是开发时用的
     * FlagsAttribute----标注位属性
     * 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.print(ta.type() + " " + pia.getPositionIncrement());
                    System.out.println(" [" + 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
     */
    public static void main(String[] args) {
        String txt = "我来自中国黑龙江省哈尔滨市";
        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);
    }
}

Comments

Content