IT技术交流solr 中文分词 mmseg4j 使用例子

Posted 2021-05-02 求贤宝

mmseg4j 第一个版本就可以方便地与 solr 集成，在  上面有简单的说明，第一版的发布博客也有简单的使用说明：。为了更清楚说明在 solr 中使用 mmseg4j 中文分词，还是写篇博客吧。

目前有两个版本的 mmseg4j，1.7 版比较耗内存（一个词库目录就要 50M 左右），所以在默认jvm内存大小会抛出 OutOfMemoryErroy。我这里示例两个词库目录，所以不用目前最新版 1.7.2。而用 1.6.2 版。下载： 和 ，或就下载一个（包括了词库，从源码构建请看：）， 把 mmseg4j-all-1.6.2.jar 放到 solr.home/lib 。

mmseg4j 在 solr 中主要支持两个参数：mode、dicPath。mode 表示是什么模式分词（有效值：simplex、complex、max-word，如果输入了无效的默认用 max-word。）。dicPath 是词库目录可以是绝对目录，也可以是相对目录（是相对 solr.home 目录下的，dic 就会在 solr.home/dic 目录下找词库文件），如果不指定就是默认在 CWD/data 目录（程序运行当前目录的data子目录）下找。

改 solr 配置文件，主要是修改 schema.xml，我添加三个 field type，如下：

<fieldType name="textComplex" class="solr.TextField" positionIncrementGap="100" >  
    <analyzer>  
        <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex" dicPath="dic"/>  
        <filter class="solr.LowerCaseFilterFactory"/>  
    </analyzer>  
</fieldType>  
<fieldType name="textMaxWord" class="solr.TextField" positionIncrementGap="100" >  
    <analyzer>  
        <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="max-word" dicPath="dic"/>  
        <filter class="solr.LowerCaseFilterFactory"/>  
    </analyzer>  
</fieldType>  
<fieldType name="textSimple" class="solr.TextField" positionIncrementGap="100" >  
    <analyzer>  
        <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="simple" dicPath="n:/OpenSource/apache-solr-1.3.0/example/solr/my_dic"/>  
        <filter class="solr.LowerCaseFilterFactory"/>  
    </analyzer>  
</fieldType>  

说明：有多少不同的词库目录就会有多少个词库数组结构的实例，由上面的配置，会有两个实例。注意用 1.7.2 版会内存溢出。

定义几个字段：

<field name="simple" type="textSimple" indexed="true" stored="true"/>  
<field name="complex" type="textComplex" indexed="true" stored="true"/>  
<field name="text" type="textMaxWord" indexed="true" stored="true"/>

再添加个 copyField（最后面加吧）：

<copyField source="text" dest="simple" />  
<copyField source="text" dest="complex" />  

现在 mmseg4j 在 solr 中的使用配置好了。接下来安装 solr 到 tomcat。

solr 1.3 版早就出了，我就用它为示例的 solr。下载：，如：解压放到 N:/OpenSource/apache-solr-1.3.0。在 tomcat 中怎么安装 solr 请看：，  ，，。

我是用 TOMCAT_HOME/conf/Catalina/localhost/solr.xml 的安装方式，指到 n:/OpenSource/apache-solr-1.3.0/example/solr。tomcat 6 可能没有这个目录，手动创建这目录。

启动 tomcat 可以看到 mmseg4j 的相关日志，然后在  可以看 mmseg4j 的分词效果。在 Field 的下拉菜单选择 name，然后在应用输入 complex。分词的结果，如下图：

     74.17K   10 下载次数

mmseg4j solr analysis 调试，点击放大

好了，可以运行起来了，那就添加个文档试下，在 n:/OpenSource/apache-solr-1.3.0/example/exampledocs 下创建 mmseg4j-solr-demo-doc.xml 文档：

<add>  
    <doc>  
        <field name="id">1</field>  
        <field name="text">京 华时报２００９年1月23日报道 昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的 偏北风。</field>  
    </doc>  
    <doc>  
        <field name="id">2</field>  
        <field name="text">昨 日金正日抵达长春市，进行两天的长春市内电话系统考察。</field>  
    </doc>  
    <doc>  
        <field name="id">3</field>  
        <field name="text">陈 教授正在研究生命起源，他的研究生正在打球。</field>  
    </doc>  
    <doc>  
        <field name="id">4</field>  
        <field name="text">中 国人民银行是中华人民共和国的中央银行。</field>  
    </doc>  
</add>  

然后提交到 solr，在 cmd 下运行 post.jar，如下：

[indent]

N:\OpenSource\apache-solr-1.3.0\example\exampledocs>java  -Durl=http://localhost:8080/solr/update -Dcommit=yes -jar post.jar  mmseg4j-solr-demo-doc.xml
SimplePostTool: version 1.2
SimplePostTool: WARNING: Make sure your XML documents are encoded in  UTF-8, other encodings are not currently supported
SimplePostTool: POSTing files to http://localhost:8080/solr/update..
SimplePostTool: POSTing file mmseg4j-solr-demo-doc.xml
SimplePostTool: COMMITting Solr index changes..

[/indent] 注意：mmseg4j-solr-demo-doc.xml 要是 UTF-8 格式，不然提交后会乱码。

看下是否有数据：，有数据，应该正常。

然后，找“西伯利亚”.

simple：， 结果如下：

<?xml version="1.0" encoding="UTF-8"?>  
<response>  
  
<lst name="responseHeader">  
 <int name="status">0</int>  
 <int name="QTime">0</int>  
 <lst name="params">  
  <str name="fl">id</str>  
  <str name="indent">on</str>  
  <str name="q">simple: 西伯利亚</str>  
  <str name="hl.fl">simple,complex,text</str>  
  <str name="hl">on</str>  
 </lst>  
</lst>  
<result name="response" numFound="0" start="0"/>  
<lst name="highlighting"/>  
</response>  

comlex：， 结果如：

<?xml version="1.0" encoding="UTF-8"?>  
<response>  
  
<lst name="responseHeader">  
 <int name="status">0</int>  
 <int name="QTime">0</int>  
 <lst name="params">  
  <str name="fl">id</str>  
  <str name="indent">on</str>  
  <str name="q">complex: 西伯利亚</str>  
  <str name="hl.fl">simple,complex,text</str>  
  <str name="hl">on</str>  
 </lst>  
</lst>  
<result name="response" numFound="1" start="0">  
 <doc>  
  <str name="id">1</str>  
 </doc>  
</result>  
<lst name="highlighting">  
 <lst name="1">  
  <arr name="complex">  
    <str>京华时报２００９年1 月23日报道 昨天，受一股来自中<em>西伯利亚</em>的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的 偏北风。</str>  
  </arr>  
 </lst>  
</lst>  
</response>  

text（其实是 max-word）：， 结果：

<?xml version="1.0" encoding="UTF-8"?>  
<response>  
  
<lst name="responseHeader">  
 <int name="status">0</int>  
 <int name="QTime">15</int>  
 <lst name="params">  
  <str name="fl">id</str>  
  <str name="indent">on</str>  
  <str name="q">text: 西伯利亚</str>  
  <str name="hl.fl">simple,complex,text</str>  
  <str name="hl">on</str>  
 </lst>  
</lst>  
<result name="response" numFound="1" start="0">  
 <doc>  
  <str name="id">1</str>  
 </doc>  
</result>  
<lst name="highlighting">  
 <lst name="1">  
  <arr name="text">  
    <str>京华时报２００９年1 月23日报道 昨天，受一股来自中<em>西</em><em>伯利亚</em>的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的 偏北风。</str>  
  </arr>  
 </lst>  
</lst>  
</response>