日本综合一区二区|亚洲中文天堂综合|日韩欧美自拍一区|男女精品天堂一区|欧美自拍第6页亚洲成人精品一区|亚洲黄色天堂一区二区成人|超碰91偷拍第一页|日韩av夜夜嗨中文字幕|久久蜜综合视频官网|精美人妻一区二区三区

RELATEED CONSULTING
相關(guān)咨詢
選擇下列產(chǎn)品馬上在線溝通
服務(wù)時間：8:30-17:00
你可能遇到了下面的問題
關(guān)閉右側(cè)工具欄

新聞中心

這里有您想知道的互聯(lián)網(wǎng)營銷解決方案
簡述Lucene的分析過程

 回顧倒排索引的構(gòu)建

  1. 收集待建索引的原文檔(Document)
  2. 將原文檔傳給詞條化工具(Tokenizer)進(jìn)行文本詞條化
  3. 將第二步得到的詞條(Token)傳給語言分析工具(Linguistic modules)進(jìn)行語言學(xué)預(yù)處理，得到詞項(Term)
  4. 將得到的詞項(Term)傳給索引組件(Indexer),建立倒排索引

注：詳細(xì)文檔->倒排索引的理論過程見詞項詞典及倒排記錄表

分析操作的使用場景

1.如上，倒排索引的構(gòu)建階段

2.針對自由文本的查詢階段

QueryParser parser = new QueryParser(Version.LUCENE_36, field, analyzer);

Query query = parser.parse(queryString);

lucene的Analyzer接收表達(dá)式queryString中連續(xù)的獨(dú)立的文本片段，但不會接收整個表達(dá)式。

例如：對查詢語句"president obama" + harvard + professor，QueryParser會3次調(diào)用分析器，首先是處理文本“president obama”，然后是文本“harvard”，***處理“professor”。

3.搜索結(jié)果中高亮顯示被搜索內(nèi)容時（即結(jié)果摘要-Snippets的生成），也可能會用到分析操作

剖析lucene分析器

抽象類Analyzer

Analyzer類是一個抽象類，是所有分析器的基類。

其主要包含兩個接口，用于生成TokenStream（所謂TokenStream，后面我們會講到，是一個由分詞后的Token 結(jié)果組成的流，能夠不斷的得到下一個分成的Token。）。

接口：

1.TokenStream tokenStream(String fieldName, Reader reader)

2.TokenStream reusableTokenStream(String fieldName, Reader reader)

為了提高性能，使得在同一個線程中無需再生成新的TokenStream 對象，老的可以被重用，所以有reusableTokenStream 一說。

Analyzer 中有CloseableThreadLocal tokenStreams = newCloseableThreadLocal(); 成員變量， 保存當(dāng)前線程原來創(chuàng)建過的TokenStream ， 可用函數(shù)setPreviousTokenStream 設(shè)定，用函數(shù)getPreviousTokenStream 得到。在reusableTokenStream 函數(shù)中，往往用getPreviousTokenStream 得到老的TokenStream 對象，然后將TokenStream 對象reset 一下，從而可以重新開始得到Token 流。

抽象類ReusableAnalyzerBase

ReusableAnalyzerBase extendsAnalyzer，顧名思義主要為tokenStream的重用。

其包含一個接口，用于生成TokenStreamComponents。

接口：

TokenStreamComponents createComponents(String fieldName,Reader reader);

reusableTokenStream的實現(xiàn)代碼分析：

 
 
 
 
 
      
  
  
  
  1. public final TokenStream reusableTokenStream(final String fieldName, 
    2.   
  
  
  
  2.     final Reader reader) throws IOException { 
    3.   
  
  
  
  3.   // 得到上一次使用的TokenStream 
    4.   
  
  
  
  4.   TokenStreamComponents streamChain = (TokenStreamComponents)getPreviousTokenStream(); 
    5.   
  
  
  
  5.   final Reader r = initReader(reader); 
    6.   
  
  
  
  6.   //如果沒有PreviousTokenStream則生成新的， 并且用setPreviousTokenStream放入成員變量，使得下一個可用。 
    7.   
  
  
  
  7.   //如果上一次生成過TokenStream，則reset。reset失敗則生成新的。 
    8.   
  
  
  
  8.   if (streamChain == null || !streamChain.reset(r)) { 
    9.   
  
  
  
  9.     streamChain = createComponents(fieldName, r); 
    10.   
  
  
  
  10.     setPreviousTokenStream(streamChain); 
    11.   
  
  
  
  11.   } 
    12.   
  
  
  
  12.   return streamChain.getTokenStream(); 
    13.   
  
  
  
  13. } 
    14.

內(nèi)部static類TokenStreamComponents

簡單封裝輸入Tokenizer和輸出TokenStream。

最簡單的一個Analyzer：SimpleAnalyzer

SimpleAnalyzer extendsReusableAnalyzerBase，實現(xiàn)createComponents方法。TokenStream的處理是將字符串最小化，生成按照空格分隔的Token流

 
 
 
 
      
  
  
  
  1. protected TokenStreamComponents createComponents( final String fieldName, 
    2.   
  
  
  
  2.      final Reader reader) { 
    3.   
  
  
  
  3.    return new TokenStreamComponents(new LowerCaseTokenizer(matchVersion , reader)); 
    4.   
  
  
  
  4.  } 
    5.  
 
 


抽象類TokenStream
TokenStream 主要包含以下幾個方法：
 1. boolean incrementToken()用于得到下一個Token。IndexWriter調(diào)用此方法推動Token流到下一個Token。實現(xiàn)類必須實現(xiàn)此方法并更新Attribute信息到下一個Token。
 2. public void reset() 重設(shè)Token流到開始，使得此TokenStrean 可以重新開始返回各個分詞。
和原來的TokenStream返回一個Token 對象不同，Lucene 3.0 開始，TokenStream已經(jīng)不返回Token對象了，那么如何保存下一個Token 的信息呢？
 在Lucene 3.0 中，TokenStream 是繼承于AttributeSource，其包含Map，保存從class 到對象的映射，從而可以保存不同類型的對象的值。在TokenStream 中，經(jīng)常用到的對象是CharTermAttributeImpl，用來保存Token 字符串；PositionIncrementAttributeImpl 用來保存位置信息；OffsetAttributeImpl 用來保存偏移量信息。所以當(dāng)生成TokenStream 的時候， 往往調(diào)用CharTermAttribute tokenAtt = addAttribute(CharTermAttribute.class)將CharTermAttributeImpl添加到Map 中，并保存一個成員變量。在incrementToken() 中， 將下一個Token 的信息寫入當(dāng)前的tokenAtt ， 然后使用CharTermAttributeImpl.buffer()得到Token 的字符串。
注：Lucene 3.1開始廢棄了TermAttribute和TermAttributeImpl，用CharTermAttribute和CharTermAttributeImpl代替。
Token attributes
如上述，Token的信息真正存在于各個AttributeImpl中，lucene內(nèi)建的所有Attribute接口都在org.apache.lucene.analysis.tokenattributes包中。
Token attributes API的使用
1. 調(diào)用addAttribute（繼承于AttributeSource）方法，返回一個對應(yīng)屬性接口的實現(xiàn)類，以獲得需要的屬性。
2. 遞歸TokenStream incrementToken()方法，遍歷Token流。當(dāng)incrementToken返回true時，其中Token的屬性信息會將內(nèi)部狀態(tài)修改為下個詞匯單元。
3. lucene內(nèi)建Attribute接口都是可讀寫的，TokenStream 在遍歷Token流時，會調(diào)用Attribute接口的set方法，修改屬性信息。
lucene內(nèi)建常用Attribute接口
1. CharTermAttribute      保存Token對應(yīng)的term文本，Lucene 3.1開始用CharTermAttribute代替TermAttribute
2. FlagsAttribute             自定義標(biāo)志位
3. OffsetAttribute            startOffset是指Term的起始字符在原始文本中的位置，endOffset則表示Term文本終止字符的下一個位置。偏移量常用于搜索結(jié)果中高亮Snippets的生成
4. PayloadAttribute          保存有效負(fù)載
5. TypeAttribute              保存Token類型，默認(rèn)為"word"，實際中可根據(jù)Term的詞性來做自定義操作
6. PositionIncrementAttribute
保存相對于前一個Term的位置信息，默認(rèn)值設(shè)為1，表示所有的Term都是連續(xù)的，在位置上是一個接一個的。如果位置增量大于1，則表示Term之間有空隙，可以用這個空隙來表示被刪除的Term項（如停用詞）。位置增量為0，則表示該Term項與前一個Term項在相同的位置上，0增量常用來表示詞項之間是同義詞。位置增量因子會直接影響短語查詢和跨度查詢，因為這些查詢需要知道各個Term項之間的距離。
注：并不是所有的Attribute信息都會保存在索引中，很多Attribute信息只在分析過程使用，Term進(jìn)索引后部分Attribute信息即丟棄。（如TypeAttribute、FlagsAttribute在索引階段都會被丟棄）
Lucene Token流 揭秘
lucene Token流的生成，主要依賴TokenStream 的兩個子類Tokenizer和TokenFilter
Tokenizer類的主要作用：接收Read對象，讀取字符串進(jìn)行分詞并創(chuàng)建Term項。
TokenFilter類使用裝飾者模式（lucene in action中作者寫的是組合模式，本人竊以為應(yīng)該是裝飾者模式），封裝另一個TokenStream類，主要負(fù)責(zé)處理輸入的Token項，然后通過新增、刪除或修改Attribute的方式來修改Term流。
如上圖，當(dāng)Analyzer從它的tokenStream方法或者reusableTokenStream方法返回tokenStream對象后，它就開始用一個Tokenizer對象創(chuàng)建初始Term序列，然后再鏈接任意數(shù)量的TokenFilter來修改這些Token流。這被稱為分析器鏈（analyzer chain）。
一個簡單的Analyzer：StopAnalyzer
 
 
 
 
 
      
  
  
  
  1. protected TokenStreamComponents createComponents(String fieldName, 
    2.   
  
  
  
  2.     Reader reader) { 
    3.   
  
  
  
  3.   //LowerCaseTokenizer接收Reader，根據(jù)Character.isLetter(char)來進(jìn)行分詞，并轉(zhuǎn)換為字符小寫 
    4.   
  
  
  
  4.   final Tokenizer source = new LowerCaseTokenizer(matchVersion , reader); 
    5.   
  
  
  
  5.   //只有一個分析器鏈StopFilter，來去除停用詞 
    6.   
  
  
  
  6.   return new TokenStreamComponents(source, new StopFilter(matchVersion , 
    7.   
  
  
  
  7.         source, stopwords)); 
    8.   
  
  
  
  8. } 
    9.  
 
 

 
StopAnalyzer測試
 
 
 
 
 
      
  
  
  
  1. String text = "The quick brown fox jumped over the lazy dog"; 
    2.   
  
  
  
  2. System. out.println("Analyzing \"" + text + "\""); 
    3.   
  
  
  
  3. Analyzer analyzer = new StopAnalyzer(Version.LUCENE_36); 
    4.   
  
  
  
  4. String name = analyzer.getClass().getSimpleName(); 
    5.   
  
  
  
  5. System. out.println("" + name + ":"); 
    6.   
  
  
  
  6. System. out.print("" ); 
    7.   
  
  
  
  7. AnalyzerUtils. displayTokens(analyzer, text); 
    8.   
  
  
  
  8. System. out.println("\n" ); 
    9.  
 
 

 
結(jié)果輸出
Analyzing "The quick brown fox jumped over the lazy dog"
  StopAnalyzer:
    [quick] [brown] [fox] [jumped] [over] [lazy] [dog]
                                                

                                                當(dāng)前文章：簡述Lucene的分析過程                                                

                                                網(wǎng)頁網(wǎng)址：http://www.dlmjj.cn/article/cdhijjc.html