Solr通过特殊字符分词实现自定义分词器详解

前言

我们在对英文句子分词的时候，一般采用采用的分词器是whitespacetokenizerfactory，有一次因业务要求，需要根据某一个特殊字符（以逗号分词，以竖线分词）分词。感觉这种需求可能与whitespacetokenizerfactory相像，于是自己根据solr源码自定义了分词策略。

业务场景

有一次，我拿到的数据都是以竖线“|”分隔，分词的时候，需要以竖线为分词单元。比如下面的这一堆数据：

有可能你拿到的是这样的数据，典型的例子就是来自csv文件的数据，格式和下面这种类似：

分词思路

在solr的schema.xml文件中，有这样的配置

<fieldtype name="text_ws" class="solr.textfield" positionincrementgap="100">
 <analyzer>
  <tokenizer class="solr.whitespacetokenizerfactory"/>
 </analyzer>
</fieldtype>

对于字段类型text_ws，指定了一个分词器工厂whitespacetokenizerfactory，根据这个类，可以实现通过空格来分词，那么我通过竖线分词的代码应该与之类似。

修改源码

在java工程中引入如下jar包：

<dependency>
  <groupid>org.apache.solr</groupid>
  <artifactid>solr-core</artifactid>
  <version>6.0.0</version>
</dependency>

参照whitespacetokenizerfactory的源码，写一个自己的myverticallinetokenizerfactory，内容基本不变：

package com.trainning.project.custom;

import java.util.arrays;
import java.util.collection;
import java.util.map;

import org.apache.lucene.analysis.tokenizer;
import org.apache.lucene.analysis.core.unicodewhitespacetokenizer;
import org.apache.lucene.analysis.util.tokenizerfactory;
import org.apache.lucene.util.attributefactory;

/**
* @author jiangchao
* @date 2017年4月2日下午3:41:13
*/
public class myverticallinetokenizerfactory extends tokenizerfactory{
 public static final string rule_java = "java";
 public static final string rule_unicode = "unicode";
 private static final collection<string> rule_names = arrays.aslist(rule_java, rule_unicode);

 private final string rule;

 /** creates a new myverticallinetokenizerfactory */
 public myverticallinetokenizerfactory(map<string,string> args) {
  super(args);

  rule = get(args, "rule", rule_names, rule_java);

  if (!args.isempty()) {
  throw new illegalargumentexception("unknown parameters: " + args);
  }
 }

 @override
 public tokenizer create(attributefactory factory) {
  switch (rule) {
  case rule_java:
   return new myverticallinetokenizer(factory);
  case rule_unicode:
   return new unicodewhitespacetokenizer(factory);
  default:
   throw new assertionerror();
  }
 }
}

具体做分词的myverticallinetokenizer代码如下

package com.trainning.project.custom;

import org.apache.lucene.analysis.util.chartokenizer;
import org.apache.lucene.util.attributefactory;

/**
* @author jiangchao
* @date 2017年4月2日下午9:46:18
*/
public class myverticallinetokenizer extends chartokenizer {

 public myverticallinetokenizer() {

 }
 public myverticallinetokenizer(attributefactory factory) {
  super(factory);
  }

  /** collects only characters which do not satisfy
  * 参数c指的是term的ascii值，竖线的值为 124
  */
  @override
  protected boolean istokenchar(int c) {
  return !(c == 124);
  }
}

这里最主要的方法就是istokenchar，它控制了分词的字符，如果需要使用逗号分词的话，字需要将这个方法修改成下面这样：

 /** collects only characters which do not satisfy
  * 参数c指的是term的ascii值，逗号的值为 44
  */
  @override
  protected boolean istokenchar(int c) {
  return !(c == 44);
  }

整合

代码写好了，怎么使用呢？首先，需要把刚才的java文件打成jar包。我使用的是eclipse，直接选中两个类文件，右键 -> export -> jar file -> select the export destination: ->选择输出路径，填一个jar名字：myverticallinetokenizerfactory -> finish

得到的myverticallinetokenizerfactory.jar文件大约3kb，将改文件放置到.\solr_home\lib下，在shcema.xml中定义自己的field

<fieldtype name="vertical_text" class="solr.textfield">
 <analyzer>
  <tokenizer class="com.trainning.project.custom.myverticallinetokenizerfactory"/>
 </analyzer>
 </fieldtype>
 <field name="custom" type="vertical_text" indexed="true" stored="false"/>

注意这里的class是刚才自己写的分词器的完整类名。

打开solr主页，在analysis页面测试一下，是否实现了预期？

源码下载：

github：

本地下载：

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对的支持。