Lucene使用IKAnalyzer分词实例及 IKAnalyzer扩展词库

来源：互联网发布：shadowsocks linux 编辑：程序博客网时间：2024/05/16 14:37

方案一: 基于配置的词典扩充

项目结构图如下:

IK分词器还支持通过配置IKAnalyzer.cfg.xml文件来扩充您的专有词典。谷歌拼音词库下载: http://ishare.iask.sina.com.cn/f/14446921.html?from=like
在web项目的src目录下创建IKAnalyzer.cfg.xml文件,内容如下

词典文件的编辑与部署
分词器的词典文件格式是无BOM 的UTF-8 编码的中文文本文件，文件扩展名不限。词典中，每个中文词汇独立占一行，使用\r\n 的DOS 方式换行。（注，如果您不了解什么是无BOM 的UTF-8 格式，请保证您的词典使用UTF-8 存储，并在文件的头部添加一空行）。您可以参考分词器源码org.wltea.analyzer.dic 包下的.dic 文件。词典文件应部署在Java 的资源路径下，即ClassLoader 能够加载的路径中。（推荐同IKAnalyzer.cfg.xml 放在一起）.

方案二:基于API的词典扩充

在IKAnalyzer的与词条相关的操作
1.org.wltea.analyzer.cfg
2.org.wltea.analyzer.dic

org.wltea.analyzer.cfg下Configuration接口中的定义　　getExtDictionarys()  获取扩展字典配置路径　　getExtStopWordDictionarys() 获取扩展停止词典配置路径　　getMainDictionary() 获取主词典路径　　getQuantifierDicionary() 获取量词词典路径org.wltea.analyzer.cfg.DefualtConfig类是对Configuration接口的实现

org.wltea.analyzer.dic下的Directory类中相关的方法

public void addWords(java.util.Collection<java.lang.String> words)     批量加载新词条    参数：words - Collection词条列表public void disableWords(java.util.Collection<java.lang.String> words) 批量移除（屏蔽）词条

Lucene中使用IKAnalyzer分词器实例演示
业务实体

package com.icrate.service.study.demo;/** *  * *  @version ： 1.0 *   *  @author  ： 苏若年              <a href="mailto:DennisIT@163.com">发送邮件</a> *     *  @since   ： 1.0        创建时间:    2013-4-7    下午01:52:49 *      *  @function： TODO         * */public class Medicine {    private Integer id;    private String name;    private String function;            public Medicine() {            }            public Medicine(Integer id, String name, String function) {        super();        this.id = id;        this.name = name;        this.function = function;    }    //getter and setter()        public String toString(){        return this.id + "," +this.name + "," + this.function;    }}

构建模拟数据

package com.icrate.service.study.demo;import java.util.ArrayList;import java.util.List;/** *  * *  @version ： 1.0 *   *  @author  ： 苏若年              <a href="mailto:DennisIT@163.com">发送邮件</a> *     *  @since   ： 1.0        创建时间:    2013-4-7    下午01:54:34 *      *  @function： TODO         * */public class DataFactory {        private static DataFactory dataFactory = new DataFactory();        private DataFactory(){            }        public List<Medicine> getData(){        List<Medicine> list = new ArrayList<Medicine>();        list.add(new Medicine(1,"银花 感冒颗粒","功能主治：银花感冒颗粒 ，头痛,清热，解表，利咽。"));        list.add(new Medicine(2,"感冒 止咳糖浆","功能主治：感冒止咳糖浆,解表清热，止咳化痰。"));        list.add(new Medicine(3,"感冒灵颗粒","功能主治：解热镇痛。头痛 ,清热。"));        list.add(new Medicine(4,"感冒灵胶囊","功能主治：银花感冒颗粒 ，头痛,清热，解表，利咽。"));        list.add(new Medicine(5,"仁和 感冒颗粒","功能主治：疏风清热，宣肺止咳,解表清热，止咳化痰。"));        return list;            }        public static DataFactory getInstance(){        return dataFactory;    }}

使用Lucene对模拟数据进行检索

package com.icrate.service.study.demo;import java.io.File;import java.io.IOException;import java.util.ArrayList;import java.util.List;import org.apache.lucene.analysis.Analyzer;import org.apache.lucene.document.Document;import org.apache.lucene.document.Field;import org.apache.lucene.index.IndexReader;import org.apache.lucene.index.IndexWriter;import org.apache.lucene.index.IndexWriterConfig;import org.apache.lucene.index.Term;import org.apache.lucene.queryParser.MultiFieldQueryParser;import org.apache.lucene.search.IndexSearcher;import org.apache.lucene.search.Query;import org.apache.lucene.search.ScoreDoc;import org.apache.lucene.search.TopDocs;import org.apache.lucene.search.highlight.Formatter;import org.apache.lucene.search.highlight.Fragmenter;import org.apache.lucene.search.highlight.Highlighter;import org.apache.lucene.search.highlight.QueryScorer;import org.apache.lucene.search.highlight.Scorer;import org.apache.lucene.search.highlight.SimpleFragmenter;import org.apache.lucene.search.highlight.SimpleHTMLFormatter;import org.apache.lucene.store.Directory;import org.apache.lucene.store.FSDirectory;import org.apache.lucene.util.Version;import org.wltea.analyzer.lucene.IKAnalyzer;/** * *  LuenceProcess.java   * *  @version ： 1.1 *   *  @author  ： 苏若年    <a href="mailto:DennisIT@163.com">发送邮件</a> *     *  @since   ： 1.0      创建时间:    Apr 3, 2013        11:48:11 AM *      *  TODO     : Luence中使用IK分词器 * */public class LuceneIKUtil {        private Directory directory ;    private Analyzer analyzer ;        /**     * 带参数构造,参数用来指定索引文件目录     * @param indexFilePath     */    public LuceneIKUtil(String indexFilePath){        try {            directory = FSDirectory.open(new File(indexFilePath));            analyzer = new IKAnalyzer();        } catch (IOException e) {            e.printStackTrace();        }    }        /**     * 默认构造,使用系统默认的路径作为索引     */    public LuceneIKUtil(){        this("/luence/index");    }            /**     * 创建索引     * Description：     * @author dennisit@163.com Apr 3, 2013     * @throws Exception     */    public void createIndex()throws Exception{        IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_35,analyzer);        IndexWriter indexWriter = new IndexWriter(directory,indexWriterConfig);        indexWriter.deleteAll();        List<Medicine> list = DataFactory.getInstance().getData();        for(int i=0; i<list.size(); i++){            Medicine medicine = list.get(i);            Document document = addDocument(medicine.getId(), medicine.getName(), medicine.getFunction());            indexWriter.addDocument(document);        }                indexWriter.close();    }        /**     *      * Description：     * @author dennisit@163.com Apr 3, 2013     * @param id     * @param title     * @param content     * @return     */    public Document addDocument(Integer id, String name, String function){        Document doc = new Document();        //Field.Index.NO 表示不索引                 //Field.Index.ANALYZED 表示分词且索引                 //Field.Index.NOT_ANALYZED 表示不分词且索引        doc.add(new Field("id",String.valueOf(id),Field.Store.YES,Field.Index.NOT_ANALYZED));        doc.add(new Field("name",name,Field.Store.YES,Field.Index.ANALYZED));        doc.add(new Field("function",function,Field.Store.YES,Field.Index.ANALYZED));        return doc;    }        /**     *      * Description： 更新索引     * @author dennisit@163.com Apr 3, 2013     * @param id     * @param title     * @param content     */    public void update(Integer id,String title, String content){        try {            IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_35,analyzer);            IndexWriter indexWriter = new IndexWriter(directory,indexWriterConfig);            Document document = addDocument(id, title, content);            Term term = new Term("id",String.valueOf(id));            indexWriter.updateDocument(term, document);            indexWriter.close();        } catch (Exception e) {            e.printStackTrace();        }    }        /**     *      * Description：按照ID进行索引     * @author dennisit@163.com Apr 3, 2013     * @param id     */    public void delete(Integer id){        try {            IndexWriterConfig indexWriterConfig = new IndexWriterConfig(Version.LUCENE_35,analyzer);            IndexWriter indexWriter = new IndexWriter(directory,indexWriterConfig);            Term term = new Term("id",String.valueOf(id));            indexWriter.deleteDocuments(term);            indexWriter.close();        } catch (Exception e) {            e.printStackTrace();        }    }        /**     *      * Description：查询     * @author dennisit@163.com Apr 3, 2013     * @param where 查询条件     * @param scoreDoc 分页时用     */    public List<Medicine> search(String[] fields,String keyword){                IndexSearcher indexSearcher = null;        List<Medicine> result = new ArrayList<Medicine>();                        try {            //创建索引搜索器,且只读            IndexReader indexReader = IndexReader.open(directory,true);            indexSearcher = new IndexSearcher(indexReader);            MultiFieldQueryParser queryParser =new MultiFieldQueryParser(Version.LUCENE_35, fields,analyzer);            Query query = queryParser.parse(keyword);                        //返回前number条记录            TopDocs topDocs = indexSearcher.search(query, 10);            //信息展示            int totalCount = topDocs.totalHits;            System.out.println("共检索出 "+totalCount+" 条记录");                                    //高亮显示            /*                    创建高亮器,使搜索的结果高亮显示                SimpleHTMLFormatter：用来控制你要加亮的关键字的高亮方式                此类有2个构造方法                1：SimpleHTMLFormatter()默认的构造方法.加亮方式：<B>关键字</B>                2：SimpleHTMLFormatter(String preTag, String postTag).加亮方式：preTag关键字postTag             */            Formatter formatter = new SimpleHTMLFormatter("<font color='red'>","</font>");                /*                 QueryScorer                QueryScorer 是内置的计分器。计分器的工作首先是将片段排序。QueryScorer使用的项是从用户输入的查询中得到的；                它会从原始输入的单词、词组和布尔查询中提取项，并且基于相应的加权因子（boost factor）给它们加权。                为了便于QueryScoere使用，还必须对查询的原始形式进行重写。                比如，带通配符查询、模糊查询、前缀查询以及范围查询 等，都被重写为BoolenaQuery中所使用的项。                在将Query实例传递到QueryScorer之前，可以调用Query.rewrite (IndexReader)方法来重写Query对象              */            Scorer fragmentScorer = new QueryScorer(query);            Highlighter highlighter = new Highlighter(formatter,fragmentScorer);            Fragmenter fragmenter = new SimpleFragmenter(100);            /*                    Highlighter利用Fragmenter将原始文本分割成多个片段。                      内置的SimpleFragmenter将原始文本分割成相同大小的片段，片段默认的大小为100个字符。这个大小是可控制的。             */            highlighter.setTextFragmenter(fragmenter);                        ScoreDoc[] scoreDocs = topDocs.scoreDocs;                        for(ScoreDoc scDoc : scoreDocs){                Document  document = indexSearcher.doc(scDoc.doc);                Integer id = Integer.parseInt(document.get("id"));                String name = document.get("name");                String function = document.get("function");                //float score = scDoc.score; //相似度                                String lighterName = highlighter.getBestFragment(analyzer, "name", name);                if(null==lighterName){                    lighterName = name;                }                                String lighterFunciton = highlighter.getBestFragment(analyzer, "function", function);                if(null==lighterFunciton){                    lighterFunciton = function;                }                                Medicine medicine = new Medicine();                                medicine.setId(id);                medicine.setName(lighterName);                medicine.setFunction(lighterFunciton);                                result.add(medicine);                            }        } catch (Exception e) {            e.printStackTrace();        }finally{            try {                indexSearcher.close();            } catch (IOException e) {                e.printStackTrace();            }        }            return result;    }        public static void main(String[] args) {        LuceneIKUtil luceneProcess = new LuenceIKUtil("F:/index");        try {            luceneProcess.createIndex();        } catch (Exception e) {            e.printStackTrace();        }        //修改测试        luceneProcess.update(2, "测试内容", "修改测试。。。");                //查询测试        String [] fields = {"name","function"};        List<Medicine> list = luenceProcess.search(fields,"感冒");        for(int i=0; i<list.size(); i++){            Medicine medicine = list.get(i);            System.out.println("("+medicine.getId()+")"+medicine.getName() + "\t" + medicine.getFunction());        }        //删除测试        //luenceProcess.delete(1);            }}

程序运行结果

加载扩展词典：/dicdata/use.dic.dic加载扩展词典：/dicdata/googlepy.dic加载扩展停止词典：/dicdata/ext_stopword.dic共检索出 4 条记录(1)银花 <font color='red'>感冒</font>颗粒    功能主治：银花<font color='red'>感冒</font>颗粒 ，头痛,清热，解表，利咽。(4)<font color='red'>感冒</font>灵胶囊    功能主治：银花<font color='red'>感冒</font>颗粒 ，头痛,清热，解表，利咽。(3)<font color='red'>感冒</font>灵颗粒    功能主治：解热镇痛。头痛 ,清热。(5)仁和 <font color='red'>感冒</font>颗粒    功能主治：疏风清热，宣肺止咳,解表清热，止咳化痰。

如何判断索引是否存在

    /**     * 判断是否已经存在索引文件     * @param indexPath     * @return     */    private  boolean isExistIndexFile(String indexPath) throws Exception{        File file = new File(indexPath);        if (!file.exists()) {            file.mkdirs();        }        String indexSufix="/segments.gen";         //根据索引文件segments.gen是否存在判断是否是第一次创建索引           File indexFile=new File(indexPath+indexSufix);        return indexFile.exists();    }

附录: IK分词处理过程

IK的整个分词处理过程首先，介绍一下IK的整个分词处理过程：

1. Lucene的分词基类是Analyzer，所以IK提供了Analyzer的一个实现类IKAnalyzer。首先，我们要实例化一个IKAnalyzer，它有一个构造方法接收一个参数isMaxWordLength，这个参数是标识IK是否采用最大词长分词，还是采用最细粒度切分两种分词算法。实际两种算法的实现，最大词长切分是对最细粒度切分的一种后续处理，是对最细粒度切分结果的过滤，选择出最长的分词结果。

2. IKAnalyzer类重写了Analyzer的tokenStream方法，这个方法接收两个参数，field name和输入流reader，其中filed name是Lucene的属性列，是对文本内容进行过分词处理和创建索引之后，索引对应的一个名称，类似数据库的列名。因为IK仅仅涉及分词处理，所以对field name没有进行任何处理，所以此处不做任何讨论。

3. tokenStream方法在Lucene对文本输入流reader进行分词处理时被调用，在IKAnalyzer的tokenStream方法里面仅仅实例化了一个IKTokenizer类，该类继承了Lucene的Tokenizer类。并重写了incrementToken方法，该方法的作用是处理文本输入流生成token，也就是Lucene的最小词元term，在IK里面叫做Lexeme。

4. 在IKtokenizer的构造方法里面实例化了IK里面最终要的分词类IKSegmentation，也称为主分词器。它的构造方法接收两个参数，reader和isMaxWordLength。

5. IKsegmentation的构造方法里面，主要做了三个工作，创建上下文对象Context，加载词典，创建子分词器。

6. Contex主要是存储分词结果集和记录分词处理的游标位置。

7. 词典是作为一个单例被创建的，主要有量词词典、主词典和停词词典。词典是被存储在字典片段类DictSegment 这个字典核心类里面的。DictSegment有一个静态的存储结构charMap，是公共词典表，用来存储所有汉字，key和value都是一个中文汉字，目前IK里面的charMap大概有7100多的键值对。另外，DictSegment还有两个最重要的数据结构，是用来存储字典树的，一个是DictSegment的数组childrenArray，另一个是key为单个汉字（每个词条的第一个汉字），value是DictSegment的HashMap childrenMap。这两个数据结构二者取其一，用来存储字典树。

8. 子分词器才是真正的分词类，IK里面有三个子分词器，量词分词器，CJK分词器（处理中文），停词分词器。主分词器IKSegmentation遍历这三个分词器对文本输入流进行分词处理。

9. IKTokenizer的incrementToken方法调用了IKSegmentation的next方法，next的作用是获得下一个分词结果。next在第一次被调用的时候，需要加载文本输入流，并将其读入buffer，此时便遍历子分词器，对buffer种的文本内容进行分词处理，然后把分词结果添加到context的lexemeSet中。

转转请注明出处:[http://www.cnblogs.com/dennisit/archive/2013/04/07/3005847.html]

Lucene使用IKAnalyzer分词实例 及 IKAnalyzer扩展词库

Lucene使用IKAnalyzer分词实例及 IKAnalyzer扩展词库