solr分词器

import java.io.Reader;
import java.util.Set;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.Tokenizer;
import org.apache.lucene.analysis.core.LowerCaseTokenizer;
import org.apache.lucene.analysis.core.StopAnalyzer;
import org.apache.lucene.analysis.core.StopFilter;
import org.apache.lucene.analysis.util.CharArraySet;
import org.apache.lucene.util.Version;


public class T {


            //全文搜索引擎使用某种算法对要建索引的文档进行分析， 从文档中提取出若干Token(词元)， 这些算法称为Tokenizer(分词器)， 
            //这些Token会被进一步处理， 比如转成小写等， 这些处理算法被称为Token Filter(词元处理器), 
            //被处理后的结果被称为Term(词)， 文档中包含了几个这样的Term被称为Frequency(词频)。
            //引擎会建立Term和原文档的Inverted Index(倒排索引)， 这样就能根据Term很快到找到源文档了。 
            //文本被Tokenizer处理前可能要做一些预处理， 比如去掉里面的HTML标记， 这些处理的算法被称为Character Filter(字符过滤器)， 
            //这整个的分析算法被称为Analyzer(分析器)。
            org.apache.lucene.analysis.Analyzer analyzer;
            //主要的分词环节是Tokenizer类执行，而Filter负责数据的预处理和分词后处理且数量不限
            org.apache.lucene.analysis.AnalyzerWrapper analyzerWrapper;
            //org.apache.lucene.analysis.TokenStreamComponents tokenStreamComponents;


            org.apache.lucene.analysis.Token token;
            //建立索引的基本单位，表示每个被编入索引的字符
            org.apache.lucene.analysis.TokenStream tokenStream;
            //是用来迭代 Token的迭代器，包括一些便利方法
            //分词流，即将对象分词后所得的Token在内存中以流的方式存在
            //也说是说如果在取得Token必须从TokenStream中获取，而分词对象可以是文档文本，也可以是查询文本。
            org.apache.lucene.analysis.Tokenizer tokenizer;
            //继承TokenStream,将输入的Reader转为Tokenizer(本质上还是一个TokenStream).接收流并进行词切分，是定制分词器的核心之一
            org.apache.lucene.analysis.TokenFilter tokenFilter; //完成对TokenStream的过滤，输入是一个TokenStream
            org.apache.lucene.analysis.CharFilter charFilter; //是一个字符预处理的组件
            //   org.apache.lucene.analysis.TokenFactory tokenFactory;
}


class M extends org.apache.lucene.analysis.Analyzer {


            @Override
            protected Analyzer.TokenStreamComponents createComponents(String string, Reader reader) {


                        org.apache.lucene.analysis.Tokenizer tokenizer;
                        //实现：org.apache.lucene.analysis.core.*Tokenizer
                        org.apache.lucene.analysis.TokenStream tokenStream;
                        //实现：org.apache.lucene.analysis.core.*Filter
                        return null;
            }


            //TokenStreamComponents
            // public TokenStreamComponents(Tokenizer source, TokenStream result) { }
            //  public TokenStreamComponents(Tokenizer source) {}
            //
            //Tokenizer
            //protected Tokenizer(Reader input) { }
            //protected Tokenizer(AttributeSource.AttributeFactory factory, Reader input) { }
            //实现类：org.apache.lucene.analysis.core.*Tokenizer
            //TokenStream
            //protected TokenStream() {}
            //protected TokenStream(AttributeSource input) {}
            //protected TokenStream(AttributeSource.AttributeFactory factory) {}
            //实现类：org.apache.lucene.analysis.NumericTokenStream, .TokenFilter, .Tokenizer
}


class MyStopAnalyzer extends Analyzer {


            private Set stops;


            public MyStopAnalyzer() {
                        stops = StopAnalyzer.ENGLISH_STOP_WORDS_SET;
            }


            public MyStopAnalyzer(String[] stopwords) {
                        //lucene自动将数组置换为set
                        stops = StopFilter.makeStopSet(Version.LUCENE_48, stopwords, true);
                        //添加所有的停止词
                        stops.addAll(StopAnalyzer.ENGLISH_STOP_WORDS_SET);
            }


            @Override
            protected Analyzer.TokenStreamComponents createComponents(String fieldName, Reader reader) {
                        //首先转换为小写
                        Tokenizer t = new LowerCaseTokenizer(Version.LUCENE_48, reader);
                        //转换后去除顿词
                        return new Analyzer.TokenStreamComponents(t, new StopFilter(Version.LUCENE_48, t, (CharArraySet) stops));
            }
}