全文检索之lucene的优化篇--分词器

    在创建索引库的基础上，加上中文分词器的，更好的支持中文的查询。引入jar包je-analysis-1.5.3.jar,极易分词.还是先看目录。

         建立一个分词器的包,analyzer,准备一个AnalyzerTest的类.里面的代码如下,主要写了一个testAnalyzer的方法,测试多种分词器对于中文和英文的分词;为了可以看到效果,所以写了个analyze()的方法,将分词器和text文本内容传入,并将分词的效果显示出来.

package com.lucene.analyzer;import java.io.StringReader;import jeasy.analysis.MMAnalyzer;import org.apache.lucene.analysis.Analyzer;import org.apache.lucene.analysis.SimpleAnalyzer;import org.apache.lucene.analysis.Token;import org.apache.lucene.analysis.TokenStream;import org.apache.lucene.analysis.cjk.CJKAnalyzer;import org.apache.lucene.analysis.standard.StandardAnalyzer;import org.junit.Test;/** * 对分词器的效果进行测试 * @author liu * */public class AnalyzerTest {String enText = "IndexWriter addDocument's a javadoc.txt";String cnText = "我们是中国人";//单字分词Analyzer analyzerStanderd = new StandardAnalyzer();//按停用词分词Analyzer analyzerSimple = new SimpleAnalyzer();//二分法分词Analyzer analyzerCJK = new CJKAnalyzer(); //词库分词Analyzer analyzerMM = new MMAnalyzer();/** * 测试各种分词器的分词效果 * @throws Exception */@Testpublic void testAnalyzer() throws Exception {//英文分词analyze(analyzerStanderd,enText);analyze(analyzerSimple,enText);analyze(analyzerCJK,enText);analyze(analyzerMM,enText);//中文分词analyze(analyzerStanderd,cnText);analyze(analyzerSimple,cnText);analyze(analyzerCJK,cnText);analyze(analyzerMM,cnText);}/** * 将text文本内容进行分词,并将结果打印出来 * @param analyzer 分词器 * @param text     分词的文本 * @throws Exception  */public void analyze(Analyzer analyzer,String text) throws Exception {System.out.println("-----------分词器："+analyzer.getClass());//分词器将text文本的内容分词,并打印出来TokenStream tokensStream = analyzer.tokenStream("content",new StringReader(text));for(Token token=new Token();(token=tokensStream.next(token)) !=null;) {System.out.println(token);}}}

         执行方法testAnalyzer,运行效果如下.先看英文的分词的执行效果。对于标准分词器,分词的效果是将词进行了词根还原,并且全部转为小写,所以没有了adddocument's,只有adddocument.而简单分词器根据效果可以理解为根据标点符号来分割,而且只是分割.下面的CJK分词器和极易分词器主要对于中文进行分词,当然分英文也是可以的.

         这是中文的分词效果.standardAnalyzer是单个分词,一个一个分;而simpleAnalyzer因为没有找到标点符号,分割不了;CJKAnalyzer则是二分法,将所有的都两两结合;MMAnalyzer极易分词则效果很好,根据中文的词分成了2个.

         以上就是StandardAnalyzer,SimpleAnalyzer,CJKAnalyzer和MManalyzer的分词效果的显示.通过这段代码,可以测试更多的分词器的效果.下一篇是补充索引的功能的,之前直接了创建和查询,修改和删除没有介绍.所以,下一篇《全文检索之lucene的优化篇--增删改查》。