lucene---中文分词IKAnalyzer和高亮highlighter的使用

桃扇骨 2022-08-23 00:48 180阅读 0赞

最近lucene已经更新到lucene 3.0版本了 2.X版本的一些用法已经彻底不在支持了。   
下面的例子主要是介绍中文分词器IKAnalyzer的使用和Lucene高亮显示。   
lucene 3.x版本中有些2.x方法已经完全被剔除了，这里会捎带一下3.x的用法，当然我这里用的还是2.X的版本。   
lucene自带的分词方式对中文分词十分的不友好，基本上可以用惨不忍睹来形容，所以这里推荐使用IKAnalyzer进行中文分词。   
IKAnalyzer分词器是一个非常优秀的中文分词器。   
下面是官方文档上的介绍   
采用了特有的“正向迭代最细粒度切分算法“，具有60万字/秒的高速处理能力。   
采用了多子处理器分析模式，支持：英文字母（IP地址、Email、URL）、数字（日期，常用中文数量词，罗马数字，科学计数法），中文词汇（姓名、地名处理）等分词处理。   
优化的词典存储，更小的内存占用。支持用户词典扩展定义.   
针对Lucene全文检索优化的查询分析器   
IKQueryParser(作者吐血推荐)；采用歧义分析算法优化查询关键字的搜索排列组合，能极大的提高Lucene检索的命中率。   
1.IKAnalyzer的部署：将IKAnalyzer3.X.jar部署于项目的lib目录中；IKAnalyzer.cfg.xml与ext\_stopword.dic文件放置在代码根目录下即可。   
ok 部署完IKAnalyzer我们先来测试一下

Java代码    ![收藏代码][icon_star.png]

1.  **package** demo.test;  
2.    
3.  **import** java.io.IOException;  
4.  **import** java.io.StringReader;  
5.    
6.  **import** org.apache.lucene.analysis.Analyzer;  
7.  **import** org.apache.lucene.analysis.TokenStream;  
8.  **import** org.apache.lucene.analysis.tokenattributes.TermAttribute;  
9.  **import** org.apache.lucene.analysis.tokenattributes.TypeAttribute;  
10. **import** org.wltea.analyzer.lucene.IKAnalyzer;  
11.   
12. **public** **class** TestIKAnalyzer \{  
13.       
14.     **public** **static** **void** main(String\[\] args) **throws** IOException \{  
15.         Analyzer analyzer = **new** IKAnalyzer();  
16.         TokenStream tokenStream = analyzer.tokenStream("", **new** StringReader("永和服装饰品有限公司"));  
17.         //2.x写法 3.0之后不支持了  
18.         /\*Token token =new Token(); 
19.         while(tokenStream.next(token)!=null)\{  
20.             System.out.println(token.term()); 
21.         \}\*/  
22.         //3.x的写法  
23.         TermAttribute termAtt = (TermAttribute) tokenStream.getAttribute(TermAttribute.**class**);   
24.         TypeAttribute typeAtt = (TypeAttribute) tokenStream.getAttribute(TypeAttribute.**class**);   
25.   
26.         **while** (tokenStream.incrementToken()) \{   
27.             System.out.print(termAtt.term());   
28.             System.out.print(' ');   
29.             System.out.println(typeAtt.type());   
30.         \}   
31.     \}  
32.   
33. \}

分词结果 永和 和服 服装 装饰品 装饰 饰品 有限公司 有限 公司   
  
2.我们开始采用IKAnalyzer创建索引

Java代码    ![收藏代码][icon_star.png]

1.  **package** demo.test;  
2.    
3.  **import** java.io.BufferedReader;  
4.  **import** java.io.File;  
5.  **import** java.io.FileInputStream;  
6.  **import** java.io.IOException;  
7.  **import** java.io.InputStreamReader;  
8.    
9.  **import** org.apache.lucene.analysis.Analyzer;  
10. **import** org.apache.lucene.document.Document;  
11. **import** org.apache.lucene.document.Field;  
12. **import** org.apache.lucene.index.IndexWriter;  
13. **import** org.wltea.analyzer.lucene.IKAnalyzer;  
14.   
15. **public** **class** CreatIndex \{  
16.   
17.     @SuppressWarnings("deprecation")  
18.     **public** **static** **void** main(String\[\] args) **throws** IOException \{  
19.         String path = "index";//索引目录  
20.         Analyzer analyzer = **new** IKAnalyzer();//采用的分词器  
21.         IndexWriter iwriter = **new** IndexWriter(path, analyzer, **true**);    
22.         File dir = **new** File("data");//待索引的数据文件目录  
23.         File\[\] files = dir.listFiles();  
24.         **for**(**int** i=0;i<files.length;i++)\{  
25.             Document doc = **new** Document();  
26.             File file = files\[i\];  
27.             FileInputStream fis = **new** FileInputStream(file);  
28.             String content = "";  
29.             BufferedReader reader = **new** BufferedReader(**new** InputStreamReader(fis));  
30.               
31.             StringBuffer buffer = **new** StringBuffer("");  
32.             content = reader.readLine();  
33.             **while** (content != **null**) \{  
34.                 buffer.append(content);  
35.                 content = reader.readLine();  
36.             \}  
37.             doc.add(**new** Field("title",file.getName(),Field.Store.YES,Field.Index.ANALYZED));  
38.             doc.add(**new** Field("content",buffer.toString(),Field.Store.YES,Field.Index.ANALYZED));  
39.             iwriter.addDocument(doc);  
40.         \}  
41.         iwriter.close();  
42.     \}  
43.   
44. \}

3.对索引进行查询并进行高亮highlighter处理

Java代码    ![收藏代码][icon_star.png]

1.  **package** demo.test;  
2.    
3.  **import** java.io.File;  
4.  **import** java.io.IOException;  
5.  **import** java.io.StringReader;  
6.    
7.  **import** org.apache.lucene.analysis.Analyzer;  
8.  **import** org.apache.lucene.analysis.TokenStream;  
9.  **import** org.apache.lucene.document.Document;  
10. **import** org.apache.lucene.index.Term;  
11. **import** org.apache.lucene.search.IndexSearcher;  
12. **import** org.apache.lucene.search.Query;  
13. **import** org.apache.lucene.search.ScoreDoc;  
14. **import** org.apache.lucene.search.TermQuery;  
15. **import** org.apache.lucene.search.TopDocs;  
16. **import** org.apache.lucene.search.highlight.Highlighter;  
17. **import** org.apache.lucene.search.highlight.InvalidTokenOffsetsException;  
18. **import** org.apache.lucene.search.highlight.QueryScorer;  
19. **import** org.apache.lucene.search.highlight.SimpleFragmenter;  
20. **import** org.apache.lucene.search.highlight.SimpleHTMLFormatter;  
21. **import** org.apache.lucene.store.Directory;  
22. **import** org.apache.lucene.store.FSDirectory;  
23. **import** org.wltea.analyzer.lucene.IKAnalyzer;  
24.   
25. **public** **class** TestHighlighter \{  
26.   
27.     @SuppressWarnings("deprecation")  
28.     **public** **static** **void** main(String\[\] args) **throws** IOException, InvalidTokenOffsetsException \{  
29.         String path = "index";//索引目录  
30.         Directory dir = FSDirectory.getDirectory(**new** File(path));  
31.         IndexSearcher search = **new** IndexSearcher(dir);  
32.         Term term = **new** Term("content","纯粹");  
33.         Query query = **new** TermQuery(term);  
34.         TopDocs topDocs = search.search(query, 10);  
35.         ScoreDoc\[\] hits = topDocs.scoreDocs;  
36.         //正常产生的查询  
37.         **for**(**int** i=0;i<hits.length;i++)\{  
38.             Document doc = search.doc(hits\[i\].doc);  
39.             System.out.print(doc.get("title")+":");  
40.             System.out.println(doc.get("content"));  
41.         \}  
42.         //高亮设置  
43.         Analyzer analyzer = **new** IKAnalyzer();//设定分词器  
44.         SimpleHTMLFormatter simpleHtmlFormatter = **new** SimpleHTMLFormatter("<B>","</B>");//设定高亮显示的格式，也就是对高亮显示的词组加上前缀后缀  
45.         Highlighter highlighter = **new** Highlighter(simpleHtmlFormatter,**new** QueryScorer(query));  
46.         highlighter.setTextFragmenter(**new** SimpleFragmenter(150));//设置每次返回的字符数.想必大家在使用搜索引擎的时候也没有一并把全部数据展示出来吧，当然这里也是设定只展示部分数据  
47.         **for**(**int** i=0;i<hits.length;i++)\{  
48.             Document doc = search.doc(hits\[i\].doc);  
49.             TokenStream tokenStream = analyzer.tokenStream("",**new** StringReader(doc.get("content")));  
50.             String str = highlighter.getBestFragment(tokenStream, doc.get("content"));  
51.             System.out.println(str);  
52.         \}  
53.     \}  
54.   
55. \}

大家可以看到对于关键词的数据已经进行高亮处理了。 “中后期，不少群组改名<B>纯粹</B>是赶潮流和恶搞。”

[icon_star.png]: /images/20220722/71a301d692c54889b4eb6c602faf9e88.png