Analysis 包分析
算法和數據結構分析 :
由於 Analysis 包比較簡單 , 不詳述了 !
算法 : 基於機械分詞 1-gram,2-gram,HMM( 如果使用 ICTCLAS 接口的話 )
數據結構 : 部分源碼用到了 Set ,HashTable,HashMap
認真理解 Token
Lucene 中的 Analysis 包專門用於完成對於索引文件的分詞 .Lucene 中的 Token 是一個非常重要的概念 .
看一下其源碼實現:
public final class Token {
String termText; // the text of the term
int startOffset; // start in source text
int endOffset; // end in source text
String type = "word"; // lexical type
private int positionIncrement = 1;
public Token(String text, int start, int end)
public Token(String text, int start, int end, String typ)
public void setPositionIncrement(int positionIncrement)
public int getPositionIncrement() { return positionIncrement; }
public final String termText() { return termText; }
public final int startOffset() { return startOffset; }
public void setStartOffset(int givenStartOffset)
public final int endOffset() { return endOffset; }
public void setEndOffset(int givenEndOffset)
public final String type() { return type; }
public String toString()
}
下面編一段代碼來看一下
TestToken.java
package org.apache.lucene.analysis.test;
import org.apache.lucene.analysis.*;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import java.io.*;
public class TestToken
{
public static void main(String[] args)
{
String string = new String(" 我愛天大 , 但我更愛中國 ");
//Analyzer analyzer = new StandardAnalyzer();
Analyzer analyzer = new TjuChineseAnalyzer();
//Analyzer analyzer= new StopAnalyzer();
TokenStream ts = analyzer.tokenStream("dummy",new StringReader(string));
Token token;
try
{
int n=0;
while ( (token = ts.next()) != null)
{
System.out.println((n++)+"->"+token.toString());
}
}
catch(IOException ioe)
{
ioe.printStackTrace();
}
}
} 注意看其結果如下所示
0->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 我 ,0,1,<CJK>,1)
1->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 愛 ,1,2,<CJK>,1)
2->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 天 ,2,3,<CJK>,1)
3->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 大 ,3,4,<CJK>,1)
4->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 但 ,5,6,<CJK>,1)
5->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 我 ,6,7,<CJK>,1)
6->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 更 ,7,8,<CJK>,1)
7->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 愛 ,8,9,<CJK>,1)
8->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 中 ,9,10,<CJK>,1)
9->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 國 ,10,11,<CJK>,1)
注意 : 其中 ”,” 被 StandardAnalyzer 給過濾掉了 , 所以大家注意第 4 個 Token 直接 startOffset 從 5 開始 .
如果改用 StopAnalyzer()
0->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 我愛天大 ,0,4,word,1)
1->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 但我更愛中國 ,5,11,word,1)
改用 TjuChineseAnalyzer( 我寫的 , 下文會講到如何去寫 )
0->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 愛 ,3,4,word,1)
1->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 天大 ,6,8,word,1)
2->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 更 ,19,20,word,1)
3->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 愛 ,22,23,word,1)
4->Token's (termText,startOffset,endOffset,type,positionIncrement) is:( 中國 ,25,27,word,1)
講明白了 Token, 咱們來看以下其他的東西
一個 TokenStream 是用來走訪 Token 的 iterator( 迭代器 )
看一下其源代碼 :
public abstract class TokenStream {
public abstract Token next() throws IOException;
public void close() throws IOException {}
}
一個 Tokenizer , is-a TokenStream (派生自 TokenStream ),其輸入爲 Reader
看一下其源碼如下:
public abstract class Tokenizer extends TokenStream {
protected Reader input;
protected Tokenizer() {}
protected Tokenizer(Reader input) {
this.input = input;
}
public void close() throws IOException {
input.close();
}
}
一個 TokenFilter is–a TokenStream( 派生自 TokenStream) ,其義如名就是用來完成對 TokenStream 的過濾操作,譬如
去 StopWords ,將 Token 變爲小寫等。
源碼如下:
public abstract class TokenFilter extends TokenStream {
protected TokenStream input;
protected TokenFilter() {}
protected TokenFilter(TokenStream input) {
this.input = input;
}
public void close() throws IOException {
input.close();
}
}
一個 Analyzer 就是一個 TokenStream 工廠
看一下其源碼就:
public abstract class Analyzer {
public TokenStream tokenStream(String fieldName, Reader reader)
{
return tokenStream(reader);
}
public TokenStream tokenStream(Reader reader)
{
return tokenStream(null, reader);
}
}
好,現在咱們來看一下 Lucene 的 Analysis 包下面的各個類文件都是用來幹什麼的。按照字典排序。
Analysis 包中的源碼詳解
Analyzer.java 上文已經講過。
CharTokenizer.java 此類爲簡單一個抽象類,用來對基於字符的進行簡單分詞( tokenizer )
LetterTokenizer.java 兩個非字符之間的字符串定義爲 token (舉例來說英文單詞由空白隔開,那個兩個空白之間的字符串即被定義爲一個 token 。備註:對於絕大多數歐洲語言來說,這個類工作效能很好。當時對於不用空白符分割的亞洲語言 , 效能極差(譬如中日韓)。)
LowerCaseFilter.java is-a TokenFilter 用於將字母小寫化
LowerCaseTokenizer is-a Tokenizer 功能上等價於 LetterTokenizer + LowerCaseFilter
PerFieldAnalyzerWrapper 是一個 Analyzer ,因爲繼承自 Analyzer 當不同的域( Field )需要不同的語言分析器( Analyzer )時,這個 Analyzer 就派上了用場。使用成員函數 addAnalyzer 可以增加一個非缺省的基於某個 Field 的 analyzer 。很少使用。
PorterStemFilter.java 使用詞幹抽取算法對每一個 token 流進行詞幹抽取。
PorterStemmer.java 有名的 P-stemming 算法
SimpleAnalyzer.java
StopAnalyzer.java 具有過濾停用詞的功能
StopFilter.java StopFilter 爲一個 Filter ,主要用於從 token 流中去除 StopWords
Token.java 上面已講 .
TokenFilter.java 上面已經講了
Tokenizer.java 上面已經講了
TokenStream.java 上面已經講了
WhitespaceAnalyzer.java
WhitespaceTokenizer.java 只是按照 space 區分 Token.
由於 Lucene 的 analyisis 包下的 Standard 包下的 StandardAnalyzer() 功能很強大 , 而且支持 CJK 分詞 , 我們簡要說一下 .
此包下的文件是有 StandardTokenizer.jj 經過 javac 命令生成的 . 由於是機器自動生成的代碼 , 可能可讀性很差 , 想了解的話好好看看那個 StandardTokenizer.jj 文件就會比較明瞭了 .
Lucene 常用的 Analyzer 功能概述 .
WhitespaceAnalyzer: 僅僅是去除空格,對字符沒有 lowcase 化 , 不支持中文
SimpleAnalyzer: 功能強於 WhitespaceAnalyzer, 將除去 letter 之外的符號全部過濾掉 , 並且將所有的字符 lowcase 化 , 不支持中文
StopAnalyzer:StopAnalyzer 的功能超越了 SimpleAnalyzer ,在 SimpleAnalyzer 的基礎上
增加了去除 StopWords 的功能 , 不支持中文
StandardAnalyzer: 英文的處理能力同於 StopAnalyzer. 支持中文采用的方法爲單字切分 .
ChineseAnalyzer: 來自於 Lucene 的 sand box. 性能類似於 StandardAnalyzer, 缺點是不支持中英文混和分詞 .
CJKAnalyzer:chedong 寫的 CJKAnalyzer 的功能在英文處理上的功能和 StandardAnalyzer 相同
但是在漢語的分詞上,不能過濾掉標點符號,即使用二元切分
TjuChineseAnalyzer: 我寫的 , 功能最爲強大 .TjuChineseAnlyzer 的功能相當強大 , 在中文分詞方面由於其調用的爲 ICTCLAS 的 java 接口 . 所以其在中文方面性能上同與 ICTCLAS. 其在英文分詞上採用了 Lucene 的 StopAnalyzer, 可以去除 stopWords, 而且可以不區分大小寫 , 過濾掉各類標點符號 .
各個 Analyzer 的功能已經比較介紹完畢了 , 現在咱們應該學寫 Analyzer, 如何 diy 自己的 analyzer 呢 ??
如何 DIY 一個 Analyzer
咱們寫一個 Analyzer, 要求有一下功能
(1) 可以處理中文和英文 , 對於中文實現的是單字切分 , 對於英文實現的是以空格切分 .
(2) 對於英文部分要進行小寫化 .
(3) 具有過濾功能 , 可以人工設定 StopWords 列表 . 如果不是人工設定 , 系統會給出默認的 StopWords 列表 .
(4) 使用 P-stemming 算法對於英文部分進行詞綴處理 .
代碼如下:
public final class DiyAnalyzer
extends Analyzer
{
private Set stopWords;
public static final String[] CHINESE_ENGLISH_STOP_WORDS =
{
"a", "an", "and", "are", "as", "at", "be", "but", "by",
"for", "if", "in", "into", "is", "it",
"no", "not", "of", "on", "or", "s", "such",
"t", "that", "the", "their", "then", "there", "these",
"they", "this", "to", "was", "will", "with",
"我", "我們"
};
public DiyAnalyzer()
{
this.stopWords=StopFilter.makeStopSet(CHINESE_ENGLISH_STOP_WORDS);
}
public DiyAnalyzer(String[] stopWordList)
{
this.stopWords=StopFilter.makeStopSet(stopWordList);
}
public TokenStream tokenStream(String fieldName, Reader reader)
{
TokenStream result = new StandardTokenizer(reader);
result = new LowerCaseFilter(result);
result = new StopFilter(result, stopWords);
result = new PorterStemFilter(result);
return result;
}
public static void main(String[] args)
{
//好像英文的結束符號標點.,StandardAnalyzer不能識別
String string = new String("我愛中國,我愛天津大學!I love China!Tianjin is a City");
Analyzer analyzer = new DiyAnalyzer();
TokenStream ts = analyzer.tokenStream("dummy", new StringReader(string));
Token token;
try
{
while ( (token = ts.next()) != null)
{
System.out.println(token.toString());
}
}
catch (IOException ioe)
{
ioe.printStackTrace();
}
}
}
可以看見其後的結果如下:
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(愛,1,2,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(中,2,3,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(國,3,4,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(愛,6,7,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(天,7,8,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(津,8,9,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(大,9,10,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(學,10,11,<CJK>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(i,12,13,<ALPHANUM>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(love,14,18,<ALPHANUM>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(china,19,24,<ALPHANUM>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(tianjin,25,32,<ALPHANUM>,1)
Token's (termText,startOffset,endOffset,type,positionIncrement) is:(citi,39,43,<ALPHANUM>,1)
到此爲止這個簡單的但是功能強大的分詞器就寫完了,下面咱們可以嘗試寫一個功能更強大的分詞器.
如何DIY一個功能更加強大Analyzer
譬如你有詞典,然後你根據正向最大匹配法或者逆向最大匹配法寫了一個分詞方法,卻想在Lucene中應用,很簡單
你只要把他們包裝成Lucene的TokenStream就好了.下邊我以調用中科院寫的ICTCLAS接口爲例,進行演示.你去中科院
網站可以拿到此接口的free版本,誰叫你沒錢呢,有錢,你就可以購買了.哈哈
好,由於ICTCLAS進行分詞之後,在Java中,中間會以兩個空格隔開!too easy,我們直接使用繼承Lucene的
WhiteSpaceTokenizer就好了.
所以TjuChineseTokenizer 看起來像是這樣.
public class TjuChineseTokenizer extends WhitespaceTokenizer
{
public TjuChineseTokenizer(Reader readerInput)
{
super(readerInput);
}
}
而TjuChineseAnalyzer看起來象是這樣
public final class TjuChineseAnalyzer
extends Analyzer
{
private Set stopWords;
/** An array containing some common English words that are not usually useful
for searching. */
/*
public static final String[] CHINESE_ENGLISH_STOP_WORDS =
{
"a", "an", "and", "are", "as", "at", "be", "but", "by",
"for", "if", "in", "into", "is", "it",
"no", "not", "of", "on", "or", "s", "such",
"t", "that", "the", "their", "then", "there", "these",
"they", "this", "to", "was", "will", "with",
"我", "我們"
};
*/
/** Builds an analyzer which removes words in ENGLISH_STOP_WORDS. */
public TjuChineseAnalyzer()
{
stopWords = StopFilter.makeStopSet(StopWords.SMART_CHINESE_ENGLISH_STOP_WORDS);
}
/** Builds an analyzer which removes words in the provided array. */
//提供獨自的stopwords
public TjuChineseAnalyzer(String[] stopWords)
{
this.stopWords = StopFilter.makeStopSet(stopWords);
}
/** Filters LowerCaseTokenizer with StopFilter. */
public TokenStream tokenStream(String fieldName, Reader reader)
{
try
{
ICTCLAS splitWord = new ICTCLAS();
String inputString = FileIO.readerToString(reader);
//分詞中間加入了空格
String resultString = splitWord.paragraphProcess(inputString);
System.out.println(resultString);
TokenStream result = new TjuChineseTokenizer(new StringReader(resultString));
result = new LowerCaseFilter(result);
//使用stopWords進行過濾
result = new StopFilter(result, stopWords);
//使用p-stemming算法進行過濾
result = new PorterStemFilter(result);
return result;
}
catch (IOException e)
{
System.out.println("轉換出錯");
return null;
}
}
public static void main(String[] args)
{
String string = "我愛中國人民";
Analyzer analyzer = new TjuChineseAnalyzer();
TokenStream ts = analyzer.tokenStream("dummy", new StringReader(string));
Token token;
System.out.println("Tokens:");
try
{
int n=0;
while ( (token = ts.next()) != null)
{
System.out.println((n++)+"->"+token.toString());
}
}
catch (IOException ioe)
{
ioe.printStackTrace();
}
}
}對於此程序的輸出接口可以看一下
0->Token's (termText,startOffset,endOffset,type,positionIncrement) is:(愛,3,4,word,1)
1->Token's (termText,startOffset,endOffset,type,positionIncrement) is:(中國,6,8,word,1)
2->Token's (termText,startOffset,endOffset,type,positionIncrement) is:(人民,10,12,word,1)
OK,經過這樣一番講解,你已經對Lucene的Analysis包認識的比較好了,當然如果你想更加了解,還是認真讀讀源碼纔好,
呵呵,源碼說明一切!