码迷,mamicode.com
首页 > Web开发 > 详细

Lucene实现自定义中文同义词分词器

时间:2015-04-08 10:59:40      阅读:191      评论:0      收藏:0      [点我收藏+]

标签:lucene

----------------------------------------------------------
lucene的分词_中文分词介绍
----------------------------------------------------------
Paoding:庖丁解牛分词器。已经没有更新了
mmseg:使用搜狗的词库


1.导入包(有两个包:1.带dic的,2.不带dic的)
如果使用不带dic的,得自己指定词库位置
2.创建MMSegAnalyzer(指明词库所在的位置)


----------------------------------------------------------

lucene的分词_实现自定义同义词分词器_思路分析(analyzer---->TokenStream ---> TokenFilter --->Tokenizer)与得到分词器详细信息的构造顺序相反
----------------------------------------------------------
 
/*
 * 实现自定义中文同义词分词器(mmseg词库)
 */
public class MySameAnalyzer extends Analyzer {
	@Override
	public TokenStream tokenStream(String fieldName, Reader read) {
		Dictionary dic = Dictionary
				.getInstance("F:\\BaiduYunDownload\\Cache\\lucune\\chinesedic");
		return new MySameTokenFilter(new MMSegTokenizer(new MaxWordSeg(dic), read));
	}
}

---------------------------------------------------------
lucene的分词_实现自定义同义词分词器_实现分词器
---------------------------------------------------------
Reader  ---->MMSegTokenizer(进行分词)---->(添加同义词)MySameTokenFilter(自定义分词器)---->获取同义词(在相同的位置存储同义词)
--->发现同义词--->保存当前状态--->跳到下一个元素--->根据同义词列表来存储元素--->还原状态--->在同一位置保存元素

/*
 * 自定义同义词分词过滤器
 */
public class MySameTokenFilter extends TokenFilter {
	// 存储分词数据
	private CharTermAttribute cta = null;
	// 存储语汇单元的位置信息
	private PositionIncrementAttribute pia = null;
	// 添加是否有同义词的判断变量属性,保存当前元素的状态信息
	private AttributeSource.State current;
	// 栈存储
	private Stack<String> sames = null;


	protected MySameTokenFilter(TokenStream input) {
		super(input);
		cta = this.addAttribute(CharTermAttribute.class);
		pia = this.addAttribute(PositionIncrementAttribute.class);
		sames = new Stack<String>();
	}


	@Override
	public boolean incrementToken() throws IOException {


		// 保存上一个语汇的同义词
		while (sames.size() > 0) {
			// 出栈,并获取同义词
			String str = sames.pop();
			// 还原上一个语汇的状态
			restoreState(current);
			// 在上一个语汇上保存元素
			cta.setEmpty();
			cta.append(str);
			// 设置同义词位置为0
			pia.setPositionIncrement(0);
			return true;
		}
                // 跳到下个cta
		if (!this.input.incrementToken())
			// 没有元素返回false
			return false;


		if (getSameWords(cta.toString())) {
			// 如果有同义词,改变词汇的current状态信息,把当前状态保存(捕获当前状态)
			current = captureState();
		}
		return true;
	}
/*
	 * 
	 * 获取同义词
	 */
	private Boolean getSameWords(String name) {
		Map<String, String[]> maps = new HashMap<String, String[]>();
		maps.put("我", new String[] { "俺", "咱" });
		maps.put("湖南", new String[] { "鱼米之乡", "湘" });
		String[] sws = maps.get(name);
		if (sws != null) {
			// 添加进栈中
			for (String str : sws) {
				sames.push(str);
			}
			return true;
		}
		return false;
	}
}


----------------------------------------------------
lucene的分词_实现自定义同义词分词器_实现分词器(良好设计方案)
----------------------------------------------------


思路:针对接口编程才是王道


1.创建管理同义词的接口

/*
 * 用于存储同义词的接口
 */
public interface MySameContxt {
	//获取同义词String[]
	public String[] getSameWords(String name);
}



2.实现接口,添加同义词库
public class MySimpleSameContxt implements MySameContxt {
	/*
	 * 实现同义词接口
	 */
	Map<String, String[]> maps = new HashMap<String, String[]>();


	public MySimpleSameContxt() {
		maps.put("我", new String[] { "俺", "咱" });
		maps.put("湖南", new String[] { "鱼米之乡", "湘" });
	}


	public String[] getSameWords(String name) {
		return maps.get(name);
	}
}




3.自定义的分词器的过滤器中TokenFilter中添加同义词属性
// 获取专门管理同义词的库
private MySameContxt sameContxt;


全代码

/*
 * 自定义同义词分词过滤器
 */
public class MySameTokenFilter extends TokenFilter {
	// 存储分词数据
	private CharTermAttribute cta = null;
	// 存储语汇单元的位置信息
	private PositionIncrementAttribute pia = null;
	// 添加是否有同义词的判断变量属性,保存当前元素的状态信息
	private AttributeSource.State current;
	// 栈存储
	private Stack<String> sames = null;
	// 获取专门管理同义词的库
	private MySameContxt sameContxt;


	protected MySameTokenFilter(TokenStream input, MySameContxt sameContxt) {
		super(input);
		cta = this.addAttribute(CharTermAttribute.class);
		pia = this.addAttribute(PositionIncrementAttribute.class);
		sames = new Stack<String>();
		this.sameContxt = sameContxt;
	}


	@Override
	public boolean incrementToken() throws IOException {


		// 保存上一个语汇的同义词
		while (sames.size() > 0) {
			// 出栈,并获取同义词
			String str = sames.pop();
			// 还原上一个语汇的状态
			restoreState(current);
			// 在上一个语汇上保存元素
			cta.setEmpty();
			cta.append(str);
			// 设置同义词位置为0
			pia.setPositionIncrement(0);
			return true;
		}


		// 跳到下个cta
		if (!this.input.incrementToken())
			// 没有元素返回false
			return false;


		if (getSameWords(cta.toString())) {
			// 如果有同义词,改变词汇的current状态信息,把当前状态保存(捕获当前状态)
			current = captureState();
		}
		return true;
	}


	/*
	 * 
	 * 获取同义词
	 */
	private Boolean getSameWords(String name) {
                                // 通过接口sameContxt获取同义词的所有String[]
		String[] sws = sameContxt.getSameWords(name);
		if (sws != null) {
			// 添加进栈中
			for (String str : sws) {
				sames.push(str);
			}
			return true;
		}
		return false;
	}
}


4.实现TokenStream
/*
 * 实现自定义中文同义词分词器(mmseg词库)
 */
public class MySameAnalyzer extends Analyzer {
	// 添加同义词词库
	private MySameContxt sameContxt;


	public MySameAnalyzer(MySameContxt msc) {
		this.sameContxt = msc;
	}


	@Override
	public TokenStream tokenStream(String fieldName, Reader read) {
		// z最后传递的是自定义的同义词库管理类
		Dictionary dic = Dictionary
				.getInstance("F:\\BaiduYunDownload\\Cache\\lucune\\chinesedic");
		return new MySameTokenFilter(new MMSegTokenizer(new MaxWordSeg(dic),
				read), sameContxt);
	}
}



5.编写索引测试
         
              public void test05() {
		try {
			//将同义词词库作为分词器Analyzer的属性获取TokenStream
			Analyzer a1 = new MySameAnalyzer(new MySimpleSameContxt());
			String txt = "我来自湖南邵阳";
			// 创建索引
			Directory dir = new RAMDirectory();
			IndexWriter writer = new IndexWriter(dir, new IndexWriterConfig(
					Version.LUCENE_35, a1));
			Document doc = new Document();
			doc.add(new Field("content", txt, Field.Store.YES,
					Field.Index.ANALYZED));
			writer.addDocument(doc);
			writer.close();


			// 创建搜索
			IndexReader reader = IndexReader.open(dir);
			IndexSearcher search = new IndexSearcher(reader);
			TopDocs tds = search.search(new TermQuery(new Term("content",
					"鱼米之乡")), 10);
			for (ScoreDoc sdc : tds.scoreDocs) {
				Document docc = search.doc(sdc.doc);
				System.out.println(docc.get("content"));
			}


			// new AnalyzerUtils().displayToken(txt, a1);
		} catch (CorruptIndexException e) {
			e.printStackTrace();
		} catch (LockObtainFailedException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		}
	}

Lucene实现自定义中文同义词分词器

标签:lucene

原文地址:http://blog.csdn.net/u010366796/article/details/44937025

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!