Lucene05-分词器
lucene05-分词器
1、概念
analyzer(分词器)的作用是把一段文本中的词按规则取出所包含的所有词。对应的是analyzer类,这是一个抽象类,切分词的具体规则是由子类实现的,所以对于不同的语言(规则),要用不同的分词器。如下图
注意:在创建索引时会用到分词器,在使用字符串搜索时也会用到分词器,这两个地方要使用同一个分词器,否则可能会搜索不出结果。所以当改变分词器的时候,需要重新建立索引库
2、常见的中文分词器
中文的分词比较复杂,因为不是一个字就是一个词,而且一个词在另外一个地方就可能不是一个词,如在“帽子和服装”中,“和服”就不是一个词。对于中文分词,通常有三种方式:单字分词、二分法分词、词典分词
2.1 单字分词
就是按照中文一个字一个字地进行分词,效率比较低。如:“我们是中国人”,效果:“我”、“们”、“是”、“中”、“国”、“人”。(standardanalyzer就是这样)
analyzer analyzer2 = new standardanalyzer();
2.2 二分法分词
按两个字进行切分,把相邻的两个字组成词分解出来,效率也比较低。而且很多情况下分的词不对。如:“我们是中国人”,效果:“我们”、“们是”、“是中”、“中国”、“国人”。(cjkanalyzer就是这样)
analyzer analyzer3 = new cjkanalyzer(version.lucene_30);
2.3 词库分词(ikanalyzer)
按某种算法构造词,然后去匹配已建好的词库集合,如果匹配到就切分出来成为词语。通常词库分词被认为是最理想的中文分词算法。如:“我们是中国人”,效果为:“我们”、“中国人”。(使用极易分词的mmanalyzer。可以使用“极易分词”,或者是“庖丁分词”分词器、ikanalyzer)。
analyzer analyzer4 = new ikanalyzer();
基本上可以把词分出来(经常用的分词器)
3、idea集成ikanalyzer
3.1 添加maven依赖
<!-- ik分词器--> <dependency> <groupid>com.github.magese</groupid> <artifactid>ik-analyzer</artifactid> <version>7.4.0</version> </dependency>
3.2 添加配置文件
停用词和扩展词以及配置文件
ext_stopword.dic为停用词的词库,词库里的词都被当作为停用词使用。
ext_dict.dic 为扩用词的词库,词库里的词都被当作为扩用词使用。
停用词:有些词在文本中出现的频率非常高。但对本文的语义产生不了多大的影响。例如英文的a、an、the、of等。或中文的”的、了、呢等”。这样的词称为停用词。停用词经常被过滤掉,不会被进行索引。在检索的过程中,如果用户的查询词中含有停用词,系统会自动过滤掉。停用词可以加快索引的速度,减少索引库文件的大小。
扩展词:就是不想让哪些词被分开,让他们分成一个词。比如传智播客、传智
ikanalyzer.cfg.xml为ikanalyzer的配置文件。
3.3 测试分词器
添加测试类
代码如下:
import org.apache.lucene.analysis.analyzer; import org.apache.lucene.analysis.tokenstream; import org.apache.lucene.analysis.cjk.cjkanalyzer; import org.apache.lucene.analysis.standard.standardanalyzer; import org.apache.lucene.analysis.tokenattributes.chartermattribute; import org.junit.test; import org.wltea.analyzer.lucene.ikanalyzer; import java.io.ioexception; import java.io.stringreader; /** * @author pc-black * @version v1.0 * @date 2019/7/20 18:39 * @description todo **/ public class analayzertest { @test public void testikanalyzer()throws ioexception { //使用lucene 自带的标准分词器... ikanalyzer analyzer = new ikanalyzer(); // analyzer analyzer=new cjkanalyzer(); // analyzer analyzer=new standardanalyzer(); analyzer(analyzer,"最贵的苹果4"); } public static void analyzer(analyzer analyzer, string str) throws ioexception { stringreader reader = new stringreader(str); //处理单个字符组成的字符流,读取reader对象中的数据,处理后转换成词汇单元 tokenstream tokenstream = analyzer.tokenstream(str, reader); // 清空流 try { tokenstream.reset(); } catch (ioexception e) { e.printstacktrace(); } chartermattribute attribute = tokenstream.getattribute(chartermattribute.class); try { while (tokenstream.incrementtoken()) { system.out.print(attribute.tostring()+"|"); } } catch (ioexception e) { e.printstacktrace(); } } }
单字分词器
二分法分词
ik分词
上一篇: 【JVM】G1垃圾收集器深入分析
下一篇: 详解Python函数式编程—高阶函数