参考：http://grunt1223.iteye.com/blog/969197
Analyzer，或者说文本分析的过程，实质上是将输入文本转化为文本特征向量的过程。这里所说的文本特征，可以是词或者是短语。它主要包括以下四个步骤：
1、分词，将文本解析为单词或短语
2、归一化，将文本转化为小写
3、停用词处理，去除一些常用的、无意义的词
4、提取词干，解决单复数、时态语态等问题
Lucene Analyzer包含两个核心组件，Tokenizer以及TokenFilter。两者的区别在于，前者在字符级别处理流，而后者则在词语级别处理流。Tokenizer是Analyzer的第一步，其构造函数接收一个Reader作为参数，而TokenFilter则是一个类似拦截器的东东，其参数可以使TokenStream、Tokenizer，甚至是另一个TokenFilter。整个Lucene Analyzer的过程如下图所示：
上图中的一些名词的解释如下表所示：
类说明Token表示文中出现的一个词，它包含了词在文本中的位置信息Analyzer将文本转化为TokenStream的工具TokenStream文本符号的流Tokenizer在字符级别处理输入符号流TokenFilter在字符级别处理输入符号流，其输入可以是TokenStream、Tokenizer或者TokenFilter
lucene分词自定义
TokenStream继承关系图如下：
StopAnalyzer，StandardAnalyze，WhitespaceAnalyzer，SimpleAnalyzer，KeyWordAnalyzer都继承自父类Analyzer。
因此只要实现父类的虚方法tokenStream 就可以实现分析。
分词的切分算法由继承自父类Tokenizer的方法
public final boolean incrementToken() throws IOException 来实现。
因此自定义继承类Tokenizer并实现其incrementToken算法就可以实现自定义的分词。
//自定义禁用分词器 public class UserDefinedAnalyzer extends Analyzer{ //定义禁用词集合 private Set stops; //无参构造器使用默认的禁用词分词器 public UserDefinedAnalyzer (){ stops = StopAnalyzer.ENGLISH_STOP_WORDS_SET; } /** * 传一个禁用词数组 * @param sws */ public UserDefinedAnalyzer (String[] sws){ //使用stopFilter创建禁用词集合 stops=StopFilter.makeStopSet(Version.LUCENE_35,sws,true); //将默认的禁用词添加进集合 stops.addAll(StopAnalyzer.ENGLISH_STOP_WORDS_SET); } /** * 自定义分词器 */ @Override public TokenStream tokenStream(String str, Reader reader) { //读取原始Reader数据的一定是Tokenizer类，这里使用的是LetterTokenizer return new StopFilter(Version.LUCENE_35, new LowerCaseFilter(Version.LUCENE_35, new LetterTokenizer(Version.LUCENE_35, reader)),stops); } public static void displayToken(String str,Analyzer a) { try { TokenStream stream = a.tokenStream("content",new StringReader(str)); //创建一个属性，这个属性会添加流中，随着这个TokenStream增加 CharTermAttribute cta = stream.addAttribute(CharTermAttribute.class); while(stream.incrementToken()) { System.out.print("["+cta+"]"); } System.out.println(); } catch (IOException e) { e.printStackTrace(); } } }
测试类
public class Test { public static void main(String[] args) { Analyzer a1=new UserDefinedAnalyzer(new String[]{"my","name"}); //Analyzer a1=new UserDefinedAnalyzer(); String str="my name is paul"; UserDefinedAnalyzer.displayToken(str, a1); } }
大小: 17.2 KB 大小: 9.2 KB 查看图片附件
