lucene之分词器和Luke工具介绍

Posted 胡桃七子

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了lucene之分词器和Luke工具介绍相关的知识,希望对你有一定的参考价值。

做积极的人,而不是积极废人!


1、分词器

在搜索时,我们通常通过词来搜索目标文本,所以我们在创建索引的时候要对文本进行分词处理。在lucene中有个Analyzer类,他是一个abstract class,他的主要实现是createComponents(String fieldName);的抽象方法,所以其分词的具体规则由子类实现。从而实现一个分词器只要Override这个方法就可以了。

本文介绍一下常用的分词器:

  1. 标准分词器:也叫单字分词,将中文一个字一个字的分词。

  2. 简单分词器:根据标点符号进行分词。

  3. 二分法分词器:两个字两个字进行分词。索引文件大且耗时比较

  4. 空格分词器:根据空格进行分词

  5. IK中文分词器:采用了特有的“正向迭代最细粒度切分算法“,支持细粒度和智能分词两种切分模式。

详细介绍一下IK中文分词器(GoogleCode 官网介绍):

IK Analyzer 是一个开源的,基于java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始, IKAnalyzer已经推出了4个大版本。最初,它是以开源项目Luence为应用主体的,结合词典分词和文法分析算法的中文分词组件。从3.0版本开始,IK发展为面向Java的公用分词组件,独立于Lucene项目,同时提供了对Lucene的默认优化实现。在2012版本中,IK实现了简单的分词歧义排除算法,标志着IK分词器从单纯的词典分词向模拟语义分词衍化。

2.Luke

2.1、介绍

Luke是用于反应Lucene / Solr / Elasticsearch索引的GUI工具。它允许:

  • 浏览您的文档,索引词和过帐列表

  • 搜索索引

  • 执行索引维护:索引运行状况检查,索引优化(运行此文件之前先备份!)

  • 测试您的自定义Lucene分词器(Tokenizer / CharFilter / TokenFilter)

Luke在lucene 8.1后,Luke将做为lucene的一个模块,可以下载lucene的二进制包获取Luke工具。

2.2、使用

启动下载文件中的

文件。然后选择你的索引文件目录

lucene之分词器和Luke工具介绍


3、StandardAnalyzer

我们先用标准分词器,创建一下索引,使用之前的测试案例代码。

 
   
   
 
  1. @Test

  2. public void createIndex() throws Exception {

  3. //1.创建一个Director对象,指定索引库的位置。

  4. //把索引保存在磁盘中

  5. Directory directory = FSDirectory.open(new File("D:\\lucene\\index").toPath());

  6. Analyzer analyzer = new StandardAnalyzer() ; //标准分词器

  7. // Analyzer analyzer = new SimpleAnalyzer() ; //简单分词器

  8. // Analyzer analyzer = new StopAnalyzer() ; //停用词分词器

  9. // Analyzer analyzer = new WhitespaceAnalyzer() ; //空格分词器

  10. // Analyzer analyzer = new CJKAnalyzer();//二分法分词器

  11. // Analyzer analyzer = new IKAnalyzer(); //中文分词器

  12. IndexWriterConfig config = new IndexWriterConfig(a);


  13. //2.基于Directory对象来创建一个indexWriter对象

  14. IndexWriter indexWriter = new IndexWriter(directory, config);

  15. //3.读取磁盘上的文件,对应每个文件创建一个文档对象。

  16. File file = new File("D:\\lucene\\DataFiles");

  17. File[] files = file.listFiles();

  18. for (File file1 : files) {

  19. //文件名

  20. String file1Name = file1.getName();

  21. //文件路径

  22. String path = file1.getPath();

  23. //文件内容

  24. String fileContext = FileUtils.readFileToString(file1, "utf-8");

  25. //文件大小

  26. long size = FileUtils.sizeOf(file1);

  27. //创建Field 参数1:域的名称,参数2:域的内容,参数3:是否储存

  28. Field fieldName = new TextField("name", file1Name, Field.Store.YES);

  29. Field fieldPath = new TextField("path", path, Field.Store.YES);

  30. Field fieldContext = new TextField("context", fileContext, Field.Store.YES);

  31. Field fieldSize = new TextField("size", size + "", Field.Store.YES);

  32. //创建文档对象

  33. Document document = new Document();

  34. //4.向文档对象中添加域

  35. document.add(fieldName);

  36. document.add(fieldPath);

  37. document.add(fieldContext);

  38. document.add(fieldSize);

  39. //5.把文档对象写入索引库

  40. indexWriter.addDocument(document);

  41. }

  42. //6.关闭indexWriter对象

  43. indexWriter.close();

  44. }


使用Luke工具查看

lucene之分词器和Luke工具介绍

可以看出英文可以很好的分词,而中文每个字都被分成了一个词。

4、IKAnalyzer

4.1、默认词典分词

其它分词器,就不介绍了。介绍下国内用得最多的IKAnalyzer分词器。因为它是第三方的包,所以需要引入一下jar包:

 
   
   
 
  1. <dependency>

  2. <groupId>com.jianggujin</groupId>

  3. <artifactId>IKAnalyzer-lucene</artifactId>

  4. <version>7.0.0</version>

  5. </dependency>

使用IKAnalyzer创建下索引,然后使用Luke工具查看。

lucene之分词器和Luke工具介绍


可以发现对中文分词很友好。不像其它分词器的规则比较死,不灵活。

4.2、扩展词典

我们可以看得上面“网络模型”不是一个词,现在我们扩展词典,在sources目录下,添加ext.dic文件,


注意:一行代表一个词

重新生成索引,使用Luke工具查看。

lucene之分词器和Luke工具介绍


”网络模型“被成功分词。

5、总结

对比之后,更加推荐使用IKAnalyzer分词器,不仅对中文比较友好,还可以自定义词典。

< END >

往期文章

 




胡桃七子
一个有故事的程序员


点个「在看」!



以上是关于lucene之分词器和Luke工具介绍的主要内容,如果未能解决你的问题,请参考以下文章

Lucene学习:Lucene测试工具Luke

lucene索引查看工具luke和文本提取工具Tika

[Nutch]指定LUKE的分词器

Luke 5—— 可视化 Lucene 索引查看工具,可以查看ES的索引

Lucene介绍及简单入门案例(集成ik分词器)

Javalucene4.0学习心得