释放双眼，带上耳机，听听看~！
lucene中的TokenStream，TokenFilter之间关系
TokenStream是一个能够在被调用后产生语汇单元序列的类，其中有两个类型：Tokenizer和TokenFilter，两者的不同在于TokenFilter中包含了一个TokenStream作为input，该input仍然可以为一种TokenFilter进行递归封装，是一种组合模式；而Tokenzier接受一个Reader对象读取字符并创建语汇单元，TokenFilter负责处理输入的语汇单元，通过新增、删除或者修改属性的方式来产生新的语汇单元。
对照我们之前分析的同义词TokenizerFactory相关配置，其数据流的过程如下：
2
2
2
2
对于某些TokenFilter来说，在分析过程中对事件的处理顺序非常重要。当指定过滤操作顺序时，还应该考虑这样的安排对于应用程序性能可能造成的影响。
在solr中，schema.xml(最新版本已经修改为managed-schema)的作用是告诉solr该如何对输入的文档进行索引。
对于每个不同的field，需要设置其对应的数据类型，数据类型决定了solr如何去解释每个字段，以及怎样才能搜索到这个字段。在字段分析器中(field analyzers)，指导solr怎样对输入的数据进行处理然后再构建出索引，类似于文本处理器或者文本消化器。
当一个document被索引或者检索操作的时候，分析器Analyzer会审阅字段field的文本内容，然后生成一个token流，analyzer可以由多个tokenizer和filter组成；tokenizer可以将field字段的内容切割成单个词或token，进行分词处理；filters可以接收tokenizer分词输出的token流，进行转化过滤处理，例如对词元进行转换（简繁体转换），舍弃无用词元（虚词谓词）。tokenizer和filter一起组成一个管道或者链条，对输入的文档和输入的查询文本进行处理，一系列的tokenizer和filter被称为分词器analyzer，得到的结果被存储成为索引字典用来匹配查询输入条件。
此外，我们还可以将索引分析器和查询分析器分开，例如下面的字段配置的意思：对于索引，先经过一个基本的分析器，然后转换为小写字母，接着过滤掉不在keepword.txt中的词，最后将剩下的词元转换为同义词；对于查询，先经过一个基本的分词器，然后转换为小写字母就可以了。
2
3
4
5
6
7
8
9
10
11
12
13
2 <analyzer type="index">
3 <tokenizer class="solr.StandardTokenizerFactory"/>
4 <filter class="solr.LowerCaseFilterFactory"/>
5 <filter class="solr.KeepWordFilterFactory" words="keepwords.txt"/>
6 <filter class="solr.SynonymFilterFactory" synonyms="syns.txt"/>
7 </analyzer>
8 <analyzer type="query">
9 <tokenizer class="solr.StandardTokenizerFactory"/>
10 <filter class="solr.LowerCaseFilterFactory"/>
11 </analyzer>
12</fieldType>
13
2
2
在Lucene实战一书中，详解了如何从头编写一个同义词Analyzer，通过改写termAttribute以及positionIncrementAttribute的方式来达到实现同义词的方式，不过由于书上的示例比较陈旧，而charTermAttribute不能达到修改同义词元的目的（只能进行append），因此替换最终的目的没有达到。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
2
3 private static final String TOKEN_TYPE_SYNONYM = "SYNONYM";
4
5 private Stack<String> synonymStack;
6 private SynonymEngine synonymEngine;
7 private AttributeSource.State current;
8 private final CharTermAttribute bytesTermAttribute;
9 private final PositionIncrementAttribute positionIncrementAttribute;
10
11 /**
12 * Construct a token stream filtering the given input.
13 *
14 * @param input
15 */
16 protected SynonymFilter(TokenStream input, SynonymEngine synonymEngine) {
17 super(input);
18 this.synonymEngine = synonymEngine;
19 synonymStack = new Stack<>();
20
21 this.bytesTermAttribute = addAttribute(CharTermAttribute.class);
22 this.positionIncrementAttribute = addAttribute(PositionIncrementAttribute.class);
23 }
24
25 @Override
26 public boolean incrementToken() throws IOException {
27 if (!synonymStack.isEmpty()) {
28 String syn = synonymStack.pop();
29 restoreState(current);
30
31// bytesTermAttribute.setBytesRef(new BytesRef(syn.getBytes()));
32// bytesTermAttribute.resizeBuffer(0);
33 bytesTermAttribute.append(syn);
34
35 positionIncrementAttribute.setPositionIncrement(0);
36 return true;
37 }
38
39 if (!input.incrementToken()) {
40 return false;
41 }
42
43 if (addAliasesToStack()) {
44 current = captureState();
45 }
46
47 return true;
48 }
49
50 private boolean addAliasesToStack() throws IOException {
51 String[] synonyms = synonymEngine.getSynonyms(bytesTermAttribute.toString());
52 if (synonyms == null) {
53 return false;
54 }
55 for (String synonym : synonyms) {
56 synonymStack.push(synonym);
57 }
58 return true;
59 }
60}
61
62
2
2
Analyzer，用于将tokenizer和filter串联起来：
2
3
4
5
6
7
8
9
2 @Override
3 protected TokenStreamComponents createComponents(String fieldName) {
4 StandardTokenizer source = new StandardTokenizer();
5 return new TokenStreamComponents(source, new SynonymFilter(new StopFilter(new LowerCaseFilter(source),
6 new CharArraySet(StopAnalyzer.ENGLISH_STOP_WORDS_SET, true)), new TestSynonymEngine()));
7 }
8}
9
2
2
我们定义一个简易的同义词匹配引擎：
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
2 String[] getSynonyms(String s) throws IOException;
3}
4
5public class TestSynonymEngine implements SynonymEngine {
6
7 public static final Map<String, String[]> map = new HashMap<>();
8
9 static {
10 map.put("quick", new String[]{"fast", "speedy"});
11 }
12
13 @Override
14 public String[] getSynonyms(String s) throws IOException {
15 return map.get(s);
16 }
17}
18
19
2
2
对最终结果进行测试：
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
2 SynonymAnalyzer analyzer = new SynonymAnalyzer();
3 TokenStream tokenStream = analyzer.tokenStream("contents", new StringReader("The quick brown fox"));
4 tokenStream.reset();
5
6 CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
7 OffsetAttribute offsetAttribute = tokenStream.addAttribute(OffsetAttribute.class);
8 PositionIncrementAttribute positionIncrementAttribute =
9 tokenStream.addAttribute(PositionIncrementAttribute.class);
10 TypeAttribute typeAttribute = tokenStream.addAttribute(TypeAttribute.class);
11
12 int position = 0;
13 while (tokenStream.incrementToken()) {
14 int positionIncrement = positionIncrementAttribute.getPositionIncrement();
15 if (positionIncrement > 0) {
16 position += positionIncrement;
17 System.out.println();
18 System.out.print(position + " : ");
19 }
20
21 System.out.printf("[%s : %d -> %d : %s]", charTermAttribute.toString(), offsetAttribute.startOffset(), offsetAttribute.endOffset(),
22 typeAttribute.type());
23 }
24
2
2
测试出的结果，可以看出位置1的谓词the已经被剔除，位置2处加入了较多的同义词，由于使用的append，所以同义词记在了一起。
2
3
4
23 : [brown : 10 -> 15 : <ALPHANUM>]
34 : [fox : 16 -> 19 : <ALPHANUM>]
4
2
2
Solr同义词设置
Solr中的同义词使用的是 SynonymFilterFactory 来进行加载的，我们需要在定义schema时，对某个字段设置同义词时，可以使用：
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2 <analyzer type="index">
3 <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex" dicPath="/Users/mazhiqiang/develop/tools/solr-5.5.0/server/solr/product/conf/dic" />
4 <filter class="solr.StopFilterFactory" ignoreCase="false" words="stopwords.txt"/>
5 <filter class="solr.WordDelimiterFilterFactory"/>
6 <filter class="solr.LowerCaseFilterFactory"/>
7 <filter class="solr.NGramFilterFactory" minGramSize="1" maxGramSize="20"/>
8 <filter class="solr.StandardFilterFactory"/>
9 </analyzer>
10 <analyzer type="query">
11 <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex" dicPath="/Users/mazhiqiang/develop/tools/solr-5.5.0/server/solr/product/conf/dic" />
12 <filter class="solr.SynonymFilterFactory" synonyms="synonyms.txt" ignoreCase="true" expand="true"/>
13 <filter class="solr.StopFilterFactory" ignoreCase="false" words="stopwords.txt"/>
14 <filter class="solr.WordDelimiterFilterFactory"/>
15 <filter class="solr.LowerCaseFilterFactory"/>
16 <!-- <filter class="solr.EdgeNGramFilterFactory" minGramSize="1" maxGramSize="20"/> -->
17 <filter class="solr.RemoveDuplicatesTokenFilterFactory"/>
18 </analyzer>
19 </fieldtype>
20
2
2
需要配置对应的 synonyms 属性，指定 定义同义词的配置文件，设置是否忽略大小写等属性。
而在加载同义词时，对文件进行逐行读取（使用LineNumberReader），对于每一行的数据，先使用 => 作为分隔符，同义词在左右两边（左边作为input，右边作为output）都可以配置成多个，以逗号分隔，最后以笛卡尔积的形式将其放至map中。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
2 while ((line = in.readLine()) != null) {
3 if (line.length() == 0 || line.charAt(0) == '#') {
4 continue; // ignore empty lines and comments
5 }
6
7 // TODO: we could process this more efficiently.
8 String sides[] = split(line, "=>");
9 if (sides.length > 1) { // explicit mapping
10 if (sides.length != 2) {
11 throw new IllegalArgumentException("more than one explicit mapping specified on the same line");
12 }
13 String inputStrings[] = split(sides[0], ",");
14 CharsRef[] inputs = new CharsRef[inputStrings.length];
15 for (int i = 0; i < inputs.length; i++) {
16 inputs[i] = analyze(unescape(inputStrings[i]).trim(), new CharsRefBuilder());
17 }
18
19 String outputStrings[] = split(sides[1], ",");
20 CharsRef[] outputs = new CharsRef[outputStrings.length];
21 for (int i = 0; i < outputs.length; i++) {
22 outputs[i] = analyze(unescape(outputStrings[i]).trim(), new CharsRefBuilder());
23 }
24 // these mappings are explicit and never preserve original
25 for (int i = 0; i < inputs.length; i++) {
26 for (int j = 0; j < outputs.length; j++) {
27 add(inputs[i], outputs[j], false);
28 }
29 }
30
2
2
所有的同义词加载完成后，会生成一个SynonymMap，该map就被用来在全文检索的过程中进行同义词替换。
在我们对某个单词进行查询时，可以查询到我们设置的字段query分析器结构，生成一个TokenizerChain对象，对应的Tokenizer为我们设置的分词器，filters为我们设置的过滤器链条，会根据过滤器链条Chain进行
通过input的方式设置同义词Filter，组成该链条结果。
2
3
4
5
6
7
8
9
10
2 protected TokenStreamComponents createComponents(String fieldName) {
3 Tokenizer tk = tokenizer.create();
4 TokenStream ts = tk;
5 for (TokenFilterFactory filter : filters) {
6 ts = filter.create(ts);
7 }
8 return new TokenStreamComponents(tk, ts);
9 }
10
2
2
而具体到每个FilterFactory，例如SynonymFilterFactory，都通过create方法来创建对应的Filter用于同义词过滤。
2
3
4
5
6
7
2 public TokenStream create(TokenStream input) {
3 // if the fst is null, it means there's actually no synonyms... just return the original stream
4 // as there is nothing to do here.
5 return map.fst == null ? input : new SynonymFilter(input, map, ignoreCase);
6 }
7
2
2
创建一个SynonymFilter来进行最后真正的筛选，将同义词进行替换，整体的类结构图如下：
lucene内置的Token
lucene中除了内置的几个Tokenizer，在solr中的field analyzer以及index中也得到了应用，下面就对这几种filter进行测试，我们分析的文本为：Please email clark.ma@gmail.com by 09, re:aa-bb
| StandardAnalyzer | 1 : [please : 0 -> 6 : <ALPHANUM>] 2 : [email : 7 -> 12 : <ALPHANUM>] 3 : [clark.ma : 13 -> 21 : <ALPHANUM>] 4 : [gmail.com : 22 -> 31 : <ALPHANUM>] 6 : [09 : 35 -> 37 : <NUM>] 7 : [re:aa : 39 -> 44 : <ALPHANUM>] 8 : [bb : 45 -> 47 : <ALPHANUM>] | 去除空格，标点符号，@； |
| ClassicAnalyzer | 1 : [please : 0 -> 6 : <ALPHANUM>] 2 : [email : 7 -> 12 : <ALPHANUM>] 3 : [clark.ma@gmail.com : 13 -> 31 : <EMAIL>] 5 : [09 : 35 -> 37 : <ALPHANUM>] 6 : [re : 39 -> 41 : <ALPHANUM>] 7 : [aa : 42 -> 44 : <ALPHANUM>] 8 : [bb : 45 -> 47 : <ALPHANUM>] | 能够识别互联网域名和email地址， |
| LetterTokenizer | 1 : [Please : 0 -> 6 : word] 2 : [email : 7 -> 12 : word] 3 : [clark : 13 -> 18 : word] 4 : [ma : 19 -> 21 : word] 5 : [gmail : 22 -> 27 : word] 6 : [com : 28 -> 31 : word] 7 : [by : 32 -> 34 : word] 8 : [re : 39 -> 41 : word] 9 : [aa : 42 -> 44 : word] 10 : [bb : 45 -> 47 : word] | 丢弃掉所有的非文本字符 |
| KeywordTokenizer | 1 : [Please email clark.ma@gmail.com by 09, re:aa-bb : 0 -> 47 : word] | 将整个文本当做一个词元 |
| LowerCaseTokenizer | 1 : [please : 0 -> 6 : word] 2 : [email : 7 -> 12 : word] 3 : [clark : 13 -> 18 : word] 4 : [ma : 19 -> 21 : word] 5 : [gmail : 22 -> 27 : word] 6 : [com : 28 -> 31 : word] 7 : [by : 32 -> 34 : word] 8 : [re : 39 -> 41 : word] 9 : [aa : 42 -> 44 : word] 10 : [bb : 45 -> 47 : word] | 对其所有非文本字符，过滤空格，标点符号，将所有的大写转换为小写 |
| NGramTokenizer | 可以定义最小minGramSize（default=1）, 最大切割值maxGramSize(default=2)，生成的词元较多。 假设minGramSize=2, maxGramSize=3，输入abcde，输出：ab abc abc bc bcd cd cde | 读取字段并在给定范围内生成多个token |
| PathHierachyTokenizer | c:\my document\filea\fileB，new PathHierarchyTokenizer('\', '/') 1 : [c: : 0 -> 2 : word][c:/my document : 0 -> 14 : word][c:/my document/filea : 0 -> 20 : word][c:/my document/filea/fileB : 0 -> 26 : word] | 使用新的文件目录符去代替文本中的目录符 |
| PatternTokenizer | 需要两个参数,pattern正则表达式，group分组。 pattern=”[A-Z][A-Za-z]*” group=”0″ 输入： “Hello. My name is Inigo Montoya. You killed my father. Prepare to die.” 输出： “Hello”, “My”, “Inigo”, “Montoya”, “You”, “Prepare” | 进行正则表达式分组匹配 |
| UAX29URLEmailTokenizer | 1 : [Please : 0 -> 6 : <ALPHANUM>] 2 : [email : 7 -> 12 : <ALPHANUM>] 3 : [clark.ma@gmail.com : 13 -> 31 : <EMAIL>] 4 : [by : 32 -> 34 : <ALPHANUM>] 5 : [09 : 35 -> 37 : <NUM>] 6 : [re:aa : 39 -> 44 : <ALPHANUM>] 7 : [bb : 45 -> 47 : <ALPHANUM>] | 去除空格和标点符号，但保留url和email连接 |
1 | 1 |
Lucene内置的TokenFilter
过滤器能够组成一个链表，每一个过滤器处理上一个过滤器处理过后的词元，所以过滤器的排序很有意义，第一个过滤器最好能处理大部分常规情况，最后一个过滤器是带有针对特殊性的。
| ClassicFilter | “I.B.M. cat’s can’t” ==> “I.B.M”, “cat”, “can’t” | 经典过滤器，可以过滤无意义的标点，需要搭配ClassicTokenizer使用 |
| ApostropheFilter | 1 : [abc : 0 -> 3 : <ALPHANUM>] 2 : [I.B.M : 4 -> 9 : <ALPHANUM>] 3 : [cat : 10 -> 15 : <ALPHANUM>] 4 : [can : 16 -> 21 : <ALPHANUM>] | 省略所有的上撇号 |
| LowerCaseFilter | 1 : [i.b.m : 0 -> 5 : <ALPHANUM>] 2 : [cat's : 6 -> 11 : <ALPHANUM>] 3 : [can't : 12 -> 17 : <ALPHANUM>] | 转换成小写 |
| TypeTokenFilter | <filter class=”solr.TypeTokenFilterFactory” types=”email_type.txt” useWhitelist=”true”/> 如果email_type.txt设置为ALPHANUM，会保留该类型的所有分析结果，否则会被删除掉 | 给定一个文件并设置成白名单还是黑名单，只有符合条件的type才能被保留 |
| TrimFilter | 去掉空格 | |
| TruncateTokenFilter | 1 : [I.B : 0 -> 5 : <ALPHANUM>] 2 : [cat : 6 -> 11 : <ALPHANUM>] 3 : [can : 12 -> 17 : <ALPHANUM>] | 截取文本长度，左边为prefixLength=3 |
| PatternCaptureGroupFilter | 可配置属性pattern和preserve_original（是否保留原文） | 从输入文本中保留能够匹配正则表达式的 |
| PatternReplaceFilter | ||
| StopFilter | 创建一个自定义的停词词库列表，过滤器遇到停词就直接过滤掉 | |
| KeepWordFilter | 与StopFilter的含义正好相反 | |
| LengthFilter | 设置一个最小值min和最大值max | 为词元的长度设置在一个固定范围 |
| WordDelimiterFilter | A:-符号 wi-fi 变成wi fi B:驼峰写法 LoveSong 变成 love song 对应参数 C:字母-数字 xiaomi100 变成 xiaomi 100 D:–符号 like–me 变成 like me E:尾部的’s符号 mother’s 变成 mother F:-符号 wi-fi 变成 wifi 于规则A不同的是没有分成两个词元 G：-符号，数字之间 400-884586 变成 400884586 H:-符号 无论字母还是数字，都取消-符号 wi-fi-4 变成wifi4 其他参数 splitOnCaseChange=”1″ 默认1，关闭设为0 规则B generateWordParts=”1″ 默认1 ,对应规则AB generateNumberParts=”1″ 默认1 对应规则F catenateWords=”1″ 默认0 对应规则A splitOnNumerics=”1″ 默认1，关闭设0 规则C stemEnglishPossessive 默认1，关闭设0 规则E catenateNumbers=”1″ 默认0 对应规则G catenateAll=”1″ 默认0 对应规则 H preserveOriginal=”1″ 默认0 对词元不做任何修改 除非有其他参数改变了词元 protected=”protwords.txt” 指定这个单词列表的单词不被修改 | 通过分隔符分割单元 |
1 | 1 |
-
大小: 18.6 KB
-
大小: 34.1 KB
-
大小: 107.4 KB
-
查看图片附件
