Lucene使用IKAnalyzer分词实例 及 IKAnalyzer扩展词库 lucene数据结构
程序员文章站
2024-03-18 09:20:40
...
方案一: 基于配置的词典扩充
项目结构图如下:
IK分词器还支持通过配置IKAnalyzer.cfg.xml文件来扩充您的专有词典。谷歌拼音词库下载: http://ishare.iask.sina.com.cn/f/14446921.html?from=like
在web项目的src目录下创建IKAnalyzer.cfg.xml文件,内容如下
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
<comment>IK Analyzer 扩展配置</comment>
<!-- 用户可以在这里配置自己的扩展字典 -->
<entry key="ext_dict">/dicdata/use.dic.dic;/dicdata/googlepy.dic</entry>
<!-- 用户可以在这里配置自己的扩展停止词字典 -->
<entry key="ext_stopwords">/dicdata/ext_stopword.dic</entry>
</properties>
词典文件的编辑与部署
分词器的词典文件格式是无BOM 的UTF-8 编码的中文文本文件，文件扩展名不限。词典中，每个中文词汇独立占一行，使用\r\n 的DOS 方式换行。（注，如果您不了解什么是无BOM 的UTF-8 格式， 请保证您的词典使用UTF-8 存储，并在文件的头部添加一空行）。您可以参考分词器源码org.wltea.analyzer.dic 包下的.dic 文件。词典文件应部署在Java 的资源路径下，即ClassLoader 能够加载的路径中。（推荐同IKAnalyzer.cfg.xml 放在一起）.
方案二:基于API的词典扩充
在IKAnalyzer的与词条相关的操作
1.org.wltea.analyzer.cfg
2.org.wltea.analyzer.dic
org.wltea.analyzer.cfg下Configuration接口中的定义
getExtDictionarys() 获取扩展字典配置路径
getExtStopWordDictionarys() 获取扩展停止词典配置路径
getMainDictionary() 获取主词典路径
getQuantifierDicionary() 获取量词词典路径
org.wltea.analyzer.cfg.DefualtConfig类是对Configuration接口的实现
org.wltea.analyzer.dic下的Directory类中相关的方法
public void addWords(java.util.Collection<java.lang.String> words) 批量加载新词条 参数：words - Collection词条列表
public void disableWords(java.util.Collection<java.lang.String> words) 批量移除（屏蔽）词条
Lucene中使用IKAnalyzer分词器实例演示
业务实体
package com.icrate.service.study.demo;
/**
*
*
* @version ： 1.0
*
* @author ： 苏若年 <a href="mailto:DennisIT@163.com">发送邮件</a>
*
* @since ： 1.0 创建时间: 2013-4-7 下午01:52:49
*
* @function： TODO
*
*/
public class Medicine {
private Integer id;
private String name;
private String function;
public Medicine() {
}
public Medicine(Integer id, String name, String function) {
super();
this.id = id;
this.name = name;
this.function = function;
}
//getter and setter()
public String toString(){
return this.id + "," +this.name + "," + this.function;
}
}
构建模拟数据
package com.icrate.service.study.demo;
import java.util.ArrayList;
import java.util.List;
/**
*
*
* @version ： 1.0
*
* @author ： 苏若年 <a href="mailto:DennisIT@163.com">发送邮件</a>
*
* @since ： 1.0 创建时间: 2013-4-7 下午01:54:34
*
* @function： TODO
*
*/
public class DataFactory {
private static DataFactory dataFactory = new DataFactory();
private DataFactory(){
}
public List<Medicine> getData(){
List<Medicine> list = new ArrayList<Medicine>();
list.add(new Medicine(1,"银花 感冒颗粒","功能主治：银花感冒颗粒 ，头痛,清热，解表，利咽。"));
list.add(new Medicine(2,"感冒 止咳糖浆","功能主治：感冒止咳糖浆,解表清热，止咳化痰。"));
list.add(new Medicine(3,"感冒灵颗粒","功能主治：解热镇痛。头痛 ,清热。"));
list.add(new Medicine(4,"感冒灵胶囊","功能主治：银花感冒颗粒 ，头痛,清热，解表，利咽。"));
list.add(new Medicine(5,"仁和 感冒颗粒","功能主治：疏风清热，宣肺止咳,解表清热，止咳化痰。"));
return list;
}
public static DataFactory getInstance(){
return dataFactory;
}
}
使用Lucene对模拟数据进行检索
package com.icrate.service.study.demo;
import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.IndexReader;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.index.Term;
import org.apache.lucene.queryParser.MultiFieldQueryParser;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TopDocs;
import org.apache.lucene.search.highlight.Formatter;
import org.apache.lucene.search.highlight.Fragmenter;
import org.apache.lucene.search.highlight.Highlighter;
import org.apache.lucene.search.highlight.QueryScorer;
import org.apache.lucene.search.highlight.Scorer;
import org.apache.lucene.search.highlight.SimpleFragmenter;
import org.apache.lucene.search.highlight.SimpleHTMLFormatter;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.util.Version;
import org.wltea.analyzer.lucene.IKAnalyzer;
/**
*
* LuenceProcess.java
*
* @version ： 1.1
*
* @author ： 苏若年 <a href="mailto:DennisIT@163.com">发送邮件</a>
*
* @since ： 1.0 创建时间: Apr 3, 2013 11:48:11 AM
*
* TODO : Luence中使用IK分词器
*
*/
public class LuceneIKUtil {
private Directory directory ;
private Analyzer analyzer ;
/**
* 带参数构造,参数用来指定索引文件目录
* @param indexFilePath
*/
public LuceneIKUtil(String indexFilePath){
try {
directory = FSDirectory.open(new File(indexFilePath));
analyzer = new IKAnalyzer();
} catch (IOException e) {
e.printStackTrace();
}
}
/**
* 默认构造,使用系统默认的路径作为索引
*/
public LuceneIKUtil(){
this("/luence/index");
}
/**
* 创建索引
* Description：
* @author dennisit@163.com Apr 3, 2013
* @throws Exception
*/
public void createIndex()throws Exception{
IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_35,analyzer);
IndexWriter indexWriter = new IndexWriter(directory,indexWriterConfig);
indexWriter.deleteAll();
List<Medicine> list = DataFactory.getInstance().getData();
for(int i=0; i<list.size(); i++){
Medicine medicine = list.get(i);
Document document = addDocument(medicine.getId(), medicine.getName(), medicine.getFunction());
indexWriter.addDocument(document);
}
indexWriter.close();
}
/**
*
* Description：
* @author dennisit@163.com Apr 3, 2013
* @param id
* @param title
* @param content
* @return
*/
public Document addDocument(Integer id, String name, String function){
Document doc = new Document();
//Field.Index.NO 表示不索引
//Field.Index.ANALYZED 表示分词且索引
//Field.Index.NOT_ANALYZED 表示不分词且索引
doc.add(new Field("id",String.valueOf(id),Field.Store.YES,Field.Index.NOT_ANALYZED));
doc.add(new Field("name",name,Field.Store.YES,Field.Index.ANALYZED));
doc.add(new Field("function",function,Field.Store.YES,Field.Index.ANALYZED));
return doc;
}
/**
*
* Description： 更新索引
* @author dennisit@163.com Apr 3, 2013
* @param id
* @param title
* @param content
*/
public void update(Integer id,String title, String content){
try {
IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_35,analyzer);
IndexWriter indexWriter = new IndexWriter(directory,indexWriterConfig);
Document document = addDocument(id, title, content);
Term term = new Term("id",String.valueOf(id));
indexWriter.updateDocument(term, document);
indexWriter.close();
} catch (Exception e) {
e.printStackTrace();
}
}
/**
*
* Description：按照ID进行索引
* @author dennisit@163.com Apr 3, 2013
* @param id
*/
public void delete(Integer id){
try {
IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_35,analyzer);
IndexWriter indexWriter = new IndexWriter(directory,indexWriterConfig);
Term term = new Term("id",String.valueOf(id));
indexWriter.deleteDocuments(term);
indexWriter.close();
} catch (Exception e) {
e.printStackTrace();
}
}
/**
*
* Description：查询
* @author dennisit@163.com Apr 3, 2013
* @param where 查询条件
* @param scoreDoc 分页时用
*/
public List<Medicine> search(String[] fields,String keyword){
IndexSearcher indexSearcher = null;
List<Medicine> result = new ArrayList<Medicine>();
try {
//创建索引搜索器,且只读
IndexReader indexReader = IndexReader.open(directory,true);
indexSearcher = new IndexSearcher(indexReader);
MultiFieldQueryParser queryParser =new MultiFieldQueryParser(Version.LUCENE_35, fields,analyzer);
Query query = queryParser.parse(keyword);
//返回前number条记录
TopDocs topDocs = indexSearcher.search(query, 10);
//信息展示
int totalCount = topDocs.totalHits;
System.out.println("共检索出 "+totalCount+" 条记录");
//高亮显示
/*
创建高亮器,使搜索的结果高亮显示
SimpleHTMLFormatter：用来控制你要加亮的关键字的高亮方式
此类有2个构造方法
1：SimpleHTMLFormatter()默认的构造方法.加亮方式：<B>关键字</B>
2：SimpleHTMLFormatter(String preTag, String postTag).加亮方式：preTag关键字postTag
*/
Formatter formatter = new SimpleHTMLFormatter("<font color='red'>","</font>");
/*
QueryScorer
QueryScorer 是内置的计分器。计分器的工作首先是将片段排序。QueryScorer使用的项是从用户输入的查询中得到的；
它会从原始输入的单词、词组和布尔查询中提取项，并且基于相应的加权因子（boost factor）给它们加权。
为了便于QueryScoere使用，还必须对查询的原始形式进行重写。
比如，带通配符查询、模糊查询、前缀查询以及范围查询 等，都被重写为BoolenaQuery中所使用的项。
在将Query实例传递到QueryScorer之前，可以调用Query.rewrite (IndexReader)方法来重写Query对象
*/
Scorer fragmentScorer = new QueryScorer(query);
Highlighter highlighter = new Highlighter(formatter,fragmentScorer);
Fragmenter fragmenter = new SimpleFragmenter(100);
/*
Highlighter利用Fragmenter将原始文本分割成多个片段。
内置的SimpleFragmenter将原始文本分割成相同大小的片段，片段默认的大小为100个字符。这个大小是可控制的。
*/
highlighter.setTextFragmenter(fragmenter);
ScoreDoc[] scoreDocs = topDocs.scoreDocs;
for(ScoreDoc scDoc : scoreDocs){
Document document = indexSearcher.doc(scDoc.doc);
Integer id = Integer.parseInt(document.get("id"));
String name = document.get("name");
String function = document.get("function");
//float score = scDoc.score; //相似度
String lighterName = highlighter.getBestFragment(analyzer, "name", name);
if(null==lighterName){
lighterName = name;
}
String lighterFunciton = highlighter.getBestFragment(analyzer, "function", function);
if(null==lighterFunciton){
lighterFunciton = function;
}
Medicine medicine = new Medicine();
medicine.setId(id);
medicine.setName(lighterName);
medicine.setFunction(lighterFunciton);
result.add(medicine);
}
} catch (Exception e) {
e.printStackTrace();
}finally{
try {
indexSearcher.close();
} catch (IOException e) {
e.printStackTrace();
}
}
return result;
}
public static void main(String[] args) {
LuceneIKUtil luceneProcess = new LuenceIKUtil("F:/index");
try {
luceneProcess.createIndex();
} catch (Exception e) {
e.printStackTrace();
}
//修改测试
luceneProcess.update(2, "测试内容", "修改测试。。。");
//查询测试
String [] fields = {"name","function"};
List<Medicine> list = luenceProcess.search(fields,"感冒");
for(int i=0; i<list.size(); i++){
Medicine medicine = list.get(i);
System.out.println("("+medicine.getId()+")"+medicine.getName() + "\t" + medicine.getFunction());
}
//删除测试
//luenceProcess.delete(1);
}
}
程序运行结果
加载扩展词典：/dicdata/use.dic.dic
加载扩展词典：/dicdata/googlepy.dic
加载扩展停止词典：/dicdata/ext_stopword.dic
共检索出 4 条记录
(1)银花 <font color='red'>感冒</font>颗粒 功能主治：银花<font color='red'>感冒</font>颗粒 ，头痛,清热，解表，利咽。
(4)<font color='red'>感冒</font>灵胶囊 功能主治：银花<font color='red'>感冒</font>颗粒 ，头痛,清热，解表，利咽。
(3)<font color='red'>感冒</font>灵颗粒 功能主治：解热镇痛。头痛 ,清热。
(5)仁和 <font color='red'>感冒</font>颗粒 功能主治：疏风清热，宣肺止咳,解表清热，止咳化痰。
如何判断索引是否存在
/**
* 判断是否已经存在索引文件
* @param indexPath
* @return
*/
private boolean isExistIndexFile(String indexPath) throws Exception{
File file = new File(indexPath);
if (!file.exists()) {
file.mkdirs();
}
String indexSufix="/segments.gen";
//根据索引文件segments.gen是否存在判断是否是第一次创建索引
File indexFile=new File(indexPath+indexSufix);
return indexFile.exists();
}
附录: IK分词处理过程
IK的整个分词处理过程首先，介绍一下IK的整个分词处理过程：
1. Lucene的分词基类是Analyzer，所以IK提供了Analyzer的一个实现类IKAnalyzer。首先，我们要实例化一个IKAnalyzer，它有一个构造方法接收一个参数isMaxWordLength，这个参数是标识IK是否采用最大词长分词，还是采用最细粒度切分两种分词算法。实际两种算法的实现，最大词长切分是对最细粒度切分的一种后续处理，是对最细粒度切分结果的过滤，选择出最长的分词结果。
2. IKAnalyzer类重写了Analyzer的tokenStream方法，这个方法接收两个参数，field name和输入流reader，其中filed name是Lucene的属性列，是对文本内容进行过分词处理和创建索引之后，索引对应的一个名称，类似数据库的列名。因为IK仅仅涉及分词处理，所以对field name没有进行任何处理，所以此处不做任何讨论。
3. tokenStream方法在Lucene对文本输入流reader进行分词处理时被调用，在IKAnalyzer的tokenStream方法里面仅仅实例化了一个IKTokenizer类，该类继承了Lucene的Tokenizer类。并重写了incrementToken方法，该方法的作用是处理文本输入流生成token，也就是Lucene的最小词元term，在IK里面叫做Lexeme。
4. 在IKtokenizer的构造方法里面实例化了IK里面最终要的分词类IKSegmentation，也称为主分词器。它的构造方法接收两个参数，reader和isMaxWordLength。
5. IKsegmentation的构造方法里面，主要做了三个工作，创建上下文对象Context，加载词典，创建子分词器。
6. Contex主要是存储分词结果集和记录分词处理的游标位置。
7. 词典是作为一个单例被创建的，主要有量词词典、主词典和停词词典。词典是被存储在字典片段类DictSegment 这个字典核心类里面的。DictSegment有一个静态的存储结构charMap，是公共词典表，用来存储所有汉字，key和value都是一个中文汉字，目前IK里面的charMap大概有7100多的键值对。另外，DictSegment还有两个最重要的数据结构，是用来存储字典树的，一个是DictSegment的数组childrenArray，另一个是key为单个汉字（每个词条的第一个汉字），value是DictSegment的HashMap childrenMap。这两个数据结构二者取其一，用来存储字典树。
8. 子分词器才是真正的分词类，IK里面有三个子分词器，量词分词器，CJK分词器（处理中文），停词分词器。主分词器IKSegmentation遍历这三个分词器对文本输入流进行分词处理。
9. IKTokenizer的incrementToken方法调用了IKSegmentation的next方法，next的作用是获得下一个分词结果。next在第一次被调用的时候，需要加载文本输入流，并将其读入buffer，此时便遍历子分词器，对buffer种的文本内容进行分词处理，然后把分词结果添加到context的lexemeSet中。
转转请注明出处:[http://www.cnblogs.com/dennisit/archive/2013/04/07/3005847.html]
上一篇： js遍历json的key和value
下一篇： vi显示回车换行等特殊字符