Solr 5.x的搭建（Solr自带的Jetty Server）与mmseg4j中文分词

前言：

 

     如果你对Solr怎么和Tomcat 集成以及如何使用mmseg4j和自定义的词库丰富完善中文分词，可以参照我的其它与Solr相关的博客。这篇将以简练的方式给出如何搭建Solr5.x的服务（以截止目前为止最新的Solr5.3为例），而且将使用Solr自带的Jetty Server，而不是集成tomcat。

 

一、准备条件

Solr5.x必须建立在JDK1.7的版本以上，先检查并确定安装正确的JDK。

 

$ java -version
java version "1.7.0_55"
Java(TM) SE Runtime Environment (build 1.7.0_55-b13)
Java HotSpot(TM) 64-Bit Server VM (build 24.55-b03, mixed mode)

 

 

二、下载Solr

http://lucene.apache.org/solr/ ， 选择download，并选择下载solr 最新的5.3.1版本。

 

如果是非windows版本的操作系统，如linux，OS，unix等选择下载slor-5.3.1.tgz,如果需要查看相关源码，可以选择solr-5.3.1-src.tgz并导入自己的eclipse等IDE开发工具中。本例中以linux系统为例说明。

 

 

三、安装solr5.x

1、解压tgz包

 

tar zxf solr-5.3.1.tgz

 

 2. 为操作方便将Solr5.3.1重命名为Solr5: 

 

   

mv solr5.3.1 solr5

 

 

四、可以开始运行Solr了（就是如此简单）

  1、启动Server

由于是在linux中，所以可以直接使用

$ bin/solr start

 

如果在windows中，使用命令

 

bin\solr.cmd start

 

这两个命令都是在后台启动solr，由于使用了自带的Jetty Server，所以启动后的默认端口就是8983.

 

输入http://192.168.1.157:8983/solr， 即可看到Solr服务已经成功的启动了。

 

从图中，你也可以看到，Sorl5.3默认使用的Jetty的版本是9.2.11.v20150529,截止目前来说，是很新的版本了。

 

如果想提升jetty的性能，可以在如下的文件夹中进行jetty的配置修改：

 

/root/solr5/server/etc

 

2、使用help命令查看更多的Solr选项

 

bin/solr -help

 如

 

bin/solr start -help

 

3、更多的Solr命令

bin/solr start -f ： 以前置的方式启动Solr

 

bin/solr start / restart : 重启当前Solr服务

 

bin/solr start -p 8984 ： 在指定的端口启动Solr

 

bin/solr stop -p 8983或者Ctrl +C：如果是以前置的方式启动Solr，则可以用Ctrl+c停止Solr服务，否则可以使用stop命令停止Solr服务。

 

bin/solr status： 检查Solr是否在运行

 

bin/solr create -c <name> ： 创建一个core

 

$ bin/solr create -help： 创建相关的帮助命令

 

如果需要指定Solr启动时JVM等参数，则指定 -a，例如：

 

./solr start -p 44000 -a "-Xss1024k -Xms1024m -Xmx2048m -XX:NewRatio=5"

 

五、整合mmseg4j进行中文分词

1、关于mmseg4j的介绍，可以参照我的别的关于Solr中文分词的博客。

 

2、mmseg4j支持Solr5需要使用附件的mmseg4j-solr-2.3.0.jar以及mmseg4j-core-1.10.jar，将这两个jar包放在类似于这样的目录下：

/root/solr5/server/solr-webapp/webapp/WEB-INF/lib

 

3. 创建一个core： universal

solr create -c universal

 

当在控制台上出现如下log时，表示创建过程没有什么问题：

Creating new core 'universal' using command:

http://localhost:8983/solr/admin/cores?action=CREATE&name=universal&instanceDir=universal

 

{

  "responseHeader":{

    "status":0,

    "QTime":2357},

 

  "core":"universal"}

 

在Solr Admin中可以看到新创建的univeral的信息：

 4、开始集成mmseg4j：

       进入该目录：/root/solr5/server/solr/universal/conf，修改其中managed-schema(在5.0前，该文件是shcema.xml，当然可以将该文件重命名为schema.xml,但不建议这么做），加入下面的内容并重启Solr，即可在Solr Admin 的console中看到新增的这些field了。

 

  需要注意的是，将dicPath的值修改为相应的值。

 

<!-- mmseg4j-->
     <field name="mmseg4j_complex_name" type="text_mmseg4j_complex" indexed="true" stored="true"/>
     <field name="mmseg4j_maxword_name" type="text_mmseg4j_maxword" indexed="true" stored="true"/>
     <field name="mmseg4j_simple_name" type="text_mmseg4j_simple" indexed="true" stored="true"/>

     <fieldType name="text_mmseg4j_complex" class="solr.TextField" positionIncrementGap="100" >
        <analyzer>
           <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex" dicPath="/root/solr5/server/solr/universal/conf"/>
           <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
         </analyzer>
     </fieldType>
     <fieldType name="text_mmseg4j_maxword" class="solr.TextField" positionIncrementGap="100" >
          <analyzer>
            <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="max-word" dicPath="/root/solr5/server/solr/universal/conf"/>
            <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
          </analyzer>
      </fieldType>
      <fieldType name="text_mmseg4j_simple" class="solr.TextField" positionIncrementGap="100" >
          <analyzer>
            <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="simple" dicPath="/root/solr5/server/solr/universal/conf"/>
            <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
          </analyzer>
      </fieldType>
<!-- mmseg4j-->

 

重启Solr 后，即可在新创建的univeral这个core的Analysis中看到mmseg4j新增的field

 

 

5、 修改stopwords：如将助词的、地、得等加到stopwords.txt中。

如在将“的”加入stopwords.txt之前，“我们的中国”的分词结果为：

 在/root/solr5/server/solr/universal/conf目录下中的stopwords.txt中加入“的”字和“我们”后，重新执行上面的分词，可以看到：

 
 可以看出“我们”和“的”已经作为停止词，不在出现在分词结果中。

 

6、修改词库，增加更多的中文分词，mmseg4j默认是使用mmseg4j-core-1.10.0.jar中的words.dic,总共只有不到15万的中文词，而整理一个中文词库，位于上面dic指定的目录下/root/solr5/server/solr/universal/conf，总共有71万的词库，包括搜狗词库，庖丁词库，以及一些名人词库，如果需要增加更多的中文词，只需要在其中增加即可。如果需要该词库，可以给我留言，我会发出来，总共有将近8m，作为附件太大。

     在使用该词库前，如果对“林书豪来中国了”进行分词，得到的结果是：

 你会看到，分词并不准确，将林书豪作为3个字拆成了“林”，“书”，“豪”，而不是作为一个整体“林书豪”。

 

使用我自己整理的中文分词后，即本例中将word.dic拷贝到目录：

/root/solr5/server/solr/universal/conf 并重启solr重新进行分词分析后结果为：

  

这样Solr5.x和mmseg4j的集成就基本完成了，如果有什么分词不对的，可以借助Solr Admin并修改words.dic解决问题。

 

 

9、mmseg4j-complex和mmseg4j-maxword的区别

     如果你使用我归纳好的中文词库或者其它中文词库并借助Solr Admin进行分析，你会发现mmseg4j-complex算法搜索的精确度更高，而mmseg4j-maxword算法搜索出的内容会更多。

       我们假定我们的分词库中存在着”林书豪“，”书豪“，”林书“3个词。

在mmseg4j-complex算法中，"林书豪"会被完整分词为"林书豪"，而mmseg4j-maxword中由于只支持两个字的分词，“林书豪”会被分词为“林书”，“书豪”。这也就以为这如果你选的是mmseg4j-complex算法，你要搜索出含有“林书豪”的内容，则你必须完整的输入“林书豪”才会能够搜得出结果，而在mmseg4j-maxword算法中，你只需要输入“林书”或者“书豪”就可以得出想要的结果了。

         所以在实际开发过程中，我们常常需要在精度和广度之间得出权衡的时候，可以选择性的丰富词库，更改词库，比我我希望输入“林书”或者“书豪”的时候就可以得到我想要的结果，那么我就可以在词库中加入“林书”和“书豪”，并且使用mmseg4j-maxword算法，但是我希望的是输入完整的林书豪才能得到我希望的搜索结果，那么就需要使用mmseg4j-complex算法，而且词库中需要加入“林书豪”。

 

 10、在words.dic中分词的顺序是很重要的，比如对于上面的例子“林书豪来中国了”，如果选择mmseg4j-complex算法，并且在词库的最后加入“来中国”，那么你可以看到分词的结果为后面的”来中国“将替代前面的“中国”。

 

 

 11、 基于上面的分析，我们还可以得出更好的words.dic词库，如果我们确定我们整个项目中都选择mmseg4j-maxword算法，那么我词库中就只需要最多两个字的词就行了，比如讲三个字的“林书豪”拆分成“林书”和"书豪“，将四个字的”迈克乔丹“，拆分成”迈克“，”乔丹“。当然如果两种算法都有可能用到，即有些字段我们希望用mmseg4j-complex算法来进行分词，有的字段我们希望用mmseg4j-maxword来进行分词，那么最好是将2个字的次放在最后，将3个字或者4个字的词放在前面，这样就行程了一个具有150万中文词的词库了。