码迷,mamicode.com
首页 > Web开发 > 详细

lucene自定义分词器

时间:2015-08-08 18:32:04      阅读:198      评论:0      收藏:0      [点我收藏+]

标签:

工作上,有需要对纯数字的字符串做分词,好像CJK二元分词器对这样的数字不会做分词,所以自己写了个分词器,分词器达到以下效果:对字符串1234567,分词后为:12 34 56 7

Analyzer:

package org.apache.lucene.analysis.core;
import java.io.Reader;
import java.io.StringReader;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.analysis.util.CharTokenizer;
import org.apache.lucene.util.Version;

public final class MyNumberAnalyzer extends Analyzer {
  
  public MyNumberAnalyzer() {}
   
  @Deprecated
  public MyNumberAnalyzer(Version matchVersion) {
    setVersion(matchVersion);
  }
  
  @Override
  protected TokenStreamComponents createComponents(final String fieldName,
      final Reader reader) {
    return new TokenStreamComponents(new MyNumberTokenizer(getVersion(), reader));
  }
  
  public static void main(String[] args) throws Exception {   
   MyNumberAnalyzer analyzer = new MyNumberAnalyzer();
   //WhitespaceAnalyzer analyzer = new WhitespaceAnalyzer();
   TokenStream tokenStream = analyzer.tokenStream("content", new StringReader("123467899988"));
   tokenStream.reset();
   tokenStream.addAttribute(CharTermAttribute.class);
   while(tokenStream.incrementToken()){
    CharTermAttribute termAttribute = tokenStream.getAttribute(CharTermAttribute.class);
   System.out.println(termAttribute.toString());
   }
  }
}

Tokenizer:

package org.apache.lucene.analysis.core;

import java.io.Reader;

import org.apache.lucene.analysis.util.MyCharTokenizer;
import org.apache.lucene.util.AttributeFactory;
import org.apache.lucene.util.Version;

public final class MyNumberTokenizer extends MyCharTokenizer {
 
 private long count = 0;
 
  public MyNumberTokenizer(Reader in) {
    super(in);
  }

  @Deprecated
  public MyNumberTokenizer(Version matchVersion, Reader in) {
    super(matchVersion, in);
  }

  public MyNumberTokenizer(AttributeFactory factory, Reader in) {
    super(factory, in);
  }

  @Deprecated
  public MyNumberTokenizer(Version matchVersion, AttributeFactory factory, Reader in) {
    super(matchVersion, factory, in);
  }
 
  @Override
  protected boolean isTokenChar(int c) {
   return get();
  }
 
  public synchronized boolean get() {
   count++;
   if(count%2 == 0) {
    count = 0L;
    return false;
   }
   return true;
  }

}

Tokenizer:

package org.apache.lucene.analysis.util;
import java.io.IOException;
import java.io.Reader;
import org.apache.lucene.analysis.Tokenizer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;
import org.apache.lucene.analysis.util.CharTokenizer;
import org.apache.lucene.analysis.util.CharacterUtils;
import org.apache.lucene.analysis.util.CharacterUtils.CharacterBuffer;
import org.apache.lucene.util.AttributeFactory;
import org.apache.lucene.util.Version;
public abstract class MyCharTokenizer extends Tokenizer {
  
  public MyCharTokenizer(Reader input) {
    super(input);
    charUtils = CharacterUtils.getInstance();
  }
  @Deprecated
  public MyCharTokenizer(Version matchVersion, Reader input) {
    super(input);
    charUtils = CharacterUtils.getInstance(matchVersion);
  }
  
  public MyCharTokenizer(AttributeFactory factory, Reader input) {
    super(factory, input);
    charUtils = CharacterUtils.getInstance();
  }
  @Deprecated
  public MyCharTokenizer(Version matchVersion, AttributeFactory factory,
      Reader input) {
    super(factory, input);
    charUtils = CharacterUtils.getInstance(matchVersion);
  }
  private int offset = 0, bufferIndex = 0, dataLen = 0, finalOffset = 0;
  private static final int MAX_WORD_LEN = 255;
  private static final int IO_BUFFER_SIZE = 4096;
  
  private final CharTermAttribute termAtt = addAttribute(CharTermAttribute.class);
  private final OffsetAttribute offsetAtt = addAttribute(OffsetAttribute.class);
  
  private final CharacterUtils charUtils;
  private final CharacterBuffer ioBuffer = CharacterUtils.newCharacterBuffer(IO_BUFFER_SIZE);
  
 
  protected abstract boolean isTokenChar(int c);
  protected int normalize(int c) {
    return c;
  }
@Override
public final boolean incrementToken() throws IOException {
    clearAttributes();
    int length = 0;
    int start = -1; // this variable is always initialized
    int end = -1;
    char[] buffer = termAtt.buffer();
    while (true) {
     //第一次进入,bufferIndex=dataLen=0
     if (bufferIndex >= dataLen) {
      offset += dataLen;//offset=0
      
      //将数据拷贝进入ioBuffer
      charUtils.fill(ioBuffer, input); // read supplementary char aware with CharacterUtils
      
      //
      if (ioBuffer.getLength() == 0) {
       dataLen = 0; // so next offset += dataLen won‘t decrement offset
       if (length > 0) {
        break;
       } else {
        finalOffset = correctOffset(offset);
        //返回false,表示分词结束
        return false;
       }
      }
      
      //重置数据的长度
      dataLen = ioBuffer.getLength();
      
      //重置起始位置
      bufferIndex = 0;
     }
     
     // use CharacterUtils here to support < 3.1 UTF-16 code unit behavior if the char based methods are gone
     //取得ioBuffer中第bufferIndex位的字符
     final int c = charUtils.codePointAt(ioBuffer.getBuffer(), bufferIndex, ioBuffer.getLength());
     //获得字符长度
     final int charCount = Character.charCount(c);
     
     //起始位置加charCount
     bufferIndex += charCount;
     //
     if(isTokenChar(c)) {               // if it‘s a token char
      if (length == 0) {                // start of token
       assert start == -1;
       start = offset + bufferIndex - charCount;
       end = start;
      } else if (length >= buffer.length-1) { // check if a supplementary could run out of bounds
       buffer = termAtt.resizeBuffer(2+length); // make sure a supplementary fits in the buffer
      }
      end += charCount;
      length += Character.toChars(normalize(c), buffer, length); // buffer it, normalized
      if (length >= MAX_WORD_LEN) { // buffer overflow! make sure to check for >= surrogate pair could break == test
       break;
      }
     } else if (length > 0) {             // at non-Letter w/ chars
      //length++;
      //end++;
      
      if (length == 0) {                // start of token
       assert start == -1;
       start = offset + bufferIndex - charCount;
       end = start;
      } else if (length >= buffer.length-1) { // check if a supplementary could run out of bounds
       buffer = termAtt.resizeBuffer(2+length); // make sure a supplementary fits in the buffer
      }
      end += charCount;
      length += Character.toChars(normalize(c), buffer, length); // buffer it, normalized
      if (length >= MAX_WORD_LEN) { // buffer overflow! make sure to check for >= surrogate pair could break == test
       break;
      }
      
      break;                           // return ‘em
     }
    }
    termAtt.setLength(length);
    assert start != -1;
    offsetAtt.setOffset(correctOffset(start), finalOffset = correctOffset(end));
    return true;
}
  
  @Override
  public final void end() throws IOException {
    super.end();
    // set final offset
    offsetAtt.setOffset(finalOffset, finalOffset);
  }
  @Override
  public void reset() throws IOException {
    super.reset();
    bufferIndex = 0;
    offset = 0;
    dataLen = 0;
    finalOffset = 0;
    ioBuffer.reset(); // make sure to reset the IO buffer!!
  }
}

TokenizerFactory:

package org.apache.lucene.analysis.core;
import java.io.Reader;
import java.util.Map;
import org.apache.lucene.analysis.util.TokenizerFactory;
import org.apache.lucene.util.AttributeFactory;
public class MyNumberTokenizerFactory extends TokenizerFactory {
  public MyNumberTokenizerFactory(Map<String,String> args) {
    super(args);
    if (!args.isEmpty()) {
      throw new IllegalArgumentException("Unknown parameters: " + args);
    }
  }
  @Override
  public MyNumberTokenizer create(AttributeFactory factory, Reader input) {
    if (luceneMatchVersion == null) {
      return new MyNumberTokenizer(factory, input);
    }
    return new MyNumberTokenizer(luceneMatchVersion, factory, input);
  }
}

lucene自定义分词器

标签:

原文地址:http://my.oschina.net/sniperLi/blog/489528

(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!