【lucene系列学习四】使用IKAnalyzer分词器实现敏感词和停用词过滤

时间：2021-02-26 13:14:22

Lucene自带的中文分词器SmartChineseAnalyzer不太好扩展，于是我用了IKAnalyzer来进行敏感词和停用词的过滤。

首先，下载IKAnalyzer,我下载了

【lucene系列学习四】使用IKAnalyzer分词器实现敏感词和停用词过滤

然后，由于IKAnalyzer已经很久不更新了，不兼容现在的Lucene6版本，所以我参考网上的资料，重写了IKTokenizer和IKAnalyzer两个类。

 package kidsearch;

 import java.io.IOException;

 import java.io.Reader;

 import org.apache.lucene.analysis.Tokenizer;

 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;

 import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;

 import org.apache.lucene.analysis.tokenattributes.TypeAttribute;

 import org.wltea.analyzer.core.IKSegmenter;

 import org.wltea.analyzer.core.Lexeme;

 public class MyIKTokenizer extends Tokenizer {

     // IK分词器实现

     private IKSegmenter _IKImplement;

     // 词元文本属性

     private final CharTermAttribute termAtt;

     // 词元位移属性

     private final OffsetAttribute offsetAtt;

     // 词元分类属性（该属性分类参考org.wltea.analyzer.core.Lexeme中的分类常量）

     private final TypeAttribute typeAtt;

     // 记录最后一个词元的结束位置

     private int endPosition;

     public MyIKTokenizer(Reader in) {

         this(in, true);

     }

     public MyIKTokenizer(Reader in, boolean useSmart) {

         offsetAtt = addAttribute(OffsetAttribute.class);

         termAtt = addAttribute(CharTermAttribute.class);

         typeAtt = addAttribute(TypeAttribute.class);

         _IKImplement = new IKSegmenter(input, useSmart);

     }

     @Override

     public boolean incrementToken() throws IOException {

         // 清除所有的词元属性

         clearAttributes();

         Lexeme nextLexeme = _IKImplement.next();

         if (nextLexeme != null) {

             // 将Lexeme转成Attributes

             // 设置词元文本

             termAtt.append(nextLexeme.getLexemeText());

             // 设置词元长度

             termAtt.setLength(nextLexeme.getLength());

             // 设置词元位移

             offsetAtt.setOffset(nextLexeme.getBeginPosition(),

                     nextLexeme.getEndPosition());

             // 记录分词的最后位置

             endPosition = nextLexeme.getEndPosition();

             // 记录词元分类

             typeAtt.setType(String.valueOf(nextLexeme.getLexemeType()));

             // 返会true告知还有下个词元

             return true;

         }

         // 返会false告知词元输出完毕

         return false;

     }

     public void reset() throws IOException {

         super.reset();

         _IKImplement.reset(input);

     }

     @Override

     public final void end() {

         // set final offset

         int finalOffset = correctOffset(this.endPosition);

         offsetAtt.setOffset(finalOffset, finalOffset);

     }

 }

MyIKTokenizer

 package kidsearch;

 import java.io.Reader;

 import java.io.StringReader;

 import org.apache.lucene.analysis.Analyzer;

 import org.apache.lucene.util.IOUtils;

 import kidsearch.MyIKTokenizer;

 public class MyIkAnalyzer extends Analyzer {

     @Override

     protected TokenStreamComponents createComponents(String arg0) {

         Reader reader=null;

         try{

             reader=new StringReader(arg0);

             MyIKTokenizer it = new MyIKTokenizer(reader);

             return new Analyzer.TokenStreamComponents(it);

         }finally {

             IOUtils.closeWhileHandlingException(reader);

         }

     }

 }

MyIKAnalyzer

参考的博客里有一部分是错误的

【lucene系列学习四】使用IKAnalyzer分词器实现敏感词和停用词过滤

于是我又下载了IKAnalyzer的源码，仔细看了一下Lexeme.java，发现没有这个方法，只有getLexemeType，而且返回值是int,于是自己做了点小改动，终于编译通过了！

值得注意的是，MyIKTokenizer里

 public MyIKTokenizer(Reader in) {

         this(in, true);

     }

true为选择智能划分（北京师范大学），而false为最细粒度划分（北京师范大学，北京，京师，师范大学，师范，大学）。

最后，要配置自己的停用词和敏感词。

自定义词典一定要使用UTF-8无BOM编码，否则不能实现过滤功能。

然后，在配置文件IKAnalyzer.cfg.xml里配置自定义词典

【lucene系列学习四】使用IKAnalyzer分词器实现敏感词和停用词过滤

最后，分别把所有的自定义词典和IKAnalyzer.cfg.xml加到工程里的src（为了保险起见，我又把他们加到了bin里，IK的jar包里也加了）。

为了测试停用词的效果，可以自己写几个小程序。

 import java.io.IOException;

 import java.io.StringReader;

 import org.apache.lucene.analysis.Analyzer;

 import org.apache.lucene.analysis.TokenStream;

 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;

 import org.wltea.analyzer.cfg.Configuration;

 import org.wltea.analyzer.cfg.DefaultConfig;

 import org.wltea.analyzer.core.IKSegmenter;

 import org.wltea.analyzer.core.Lexeme;

 import org.wltea.analyzer.lucene.IKAnalyzer;

 public class OwnIKAnalyzer {

     public static void main(String[] args) throws IOException {

         String text="我有一个红红的苹果";

         StringReader sr=new StringReader(text);

     //    IKSegmenter ik=new IKSegmenter(sr, true);

         IKSegmenter ik=new IKSegmenter(sr,true);

         Lexeme lex=null;

         while((lex=ik.next())!=null){

             System.out.print(lex.getLexemeText()+"，");

         }

 //        String text = "这是一个红红的苹果";

 //        Configuration configuration = DefaultConfig.getInstance();

 //        configuration.setUseSmart(true);

 //        IKSegmenter ik = new IKSegmenter(new StringReader(text), configuration);

 //        Lexeme lexeme = null;

 //        while ((lexeme = ik.next()) != null) {

 //            System.out.println(lexeme.getLexemeText());

         }

     }

测试结果为：（词典里并没有过滤“我”）

【lucene系列学习四】使用IKAnalyzer分词器实现敏感词和停用词过滤

另外，IKAnalyzer可以配置自己的扩展词典，比如“你的名字”本来会被分词为“你，的，名字”,但是在ext.dic里加入“你的名字”后就是一个完整的整体，不会被切分了！

关于IKAnalyzer词语过滤的功能今天就做了多，以后还会继续补充~

相关文章