全文检索之lucene的优化篇--分词器

在创建索引库的基础上，加上中文分词器的，更好的支持中文的查询。引入jar包je-analysis-1.5.3.jar,极易分词.还是先看目录。

         建立一个分词器的包,analyzer,准备一个AnalyzerTest的类.里面的代码如下,主要写了一个testAnalyzer的方法,测试多种分词器对于中文和英文的分词;为了可以看到效果,所以写了个analyze()的方法,将分词器和text文本内容传入,并将分词的效果显示出来.

[java] view plain copy 

1. package com.lucene.analyzer;  
2.   
3. import java.io.StringReader;  
4.   
5. import jeasy.analysis.MMAnalyzer;  
6.   
7. import org.apache.lucene.analysis.Analyzer;  
8. import org.apache.lucene.analysis.SimpleAnalyzer;  
9. import org.apache.lucene.analysis.Token;  
10. import org.apache.lucene.analysis.TokenStream;  
11. import org.apache.lucene.analysis.cjk.CJKAnalyzer;  
12. import org.apache.lucene.analysis.standard.StandardAnalyzer;  
13. import org.junit.Test;  
14.   
15. /** 
16.  * 对分词器的效果进行测试 
17.  * @author liu 
18.  * 
19.  */  
20. public class AnalyzerTest {  
21.       
22.     String enText = "IndexWriter addDocument's a javadoc.txt";  
23.     String cnText = "我们是中国人";  
24.       
25.     //单字分词  
26.     Analyzer analyzerStanderd = new StandardAnalyzer();  
27.     //按停用词分词  
28.     Analyzer analyzerSimple = new SimpleAnalyzer();  
29.     //二分法分词  
30.     Analyzer analyzerCJK = new CJKAnalyzer();   
31.     //词库分词  
32.     Analyzer analyzerMM = new MMAnalyzer();  
33.       
34.     /** 
35.      * 测试各种分词器的分词效果 
36.      * @throws Exception 
37.      */  
38.     @Test  
39.     public void testAnalyzer() throws Exception {  
40.         //英文分词  
41.         analyze(analyzerStanderd,enText);  
42.         analyze(analyzerSimple,enText);  
43.         analyze(analyzerCJK,enText);  
44.         analyze(analyzerMM,enText);  
45.           
46.         //中文分词  
47.         analyze(analyzerStanderd,cnText);  
48.         analyze(analyzerSimple,cnText);  
49.         analyze(analyzerCJK,cnText);  
50.         analyze(analyzerMM,cnText);  
51.     }  
52.       
53.     /** 
54.      * 将text文本内容进行分词,并将结果打印出来 
55.      * @param analyzer 分词器 
56.      * @param text     分词的文本 
57.      * @throws Exception  
58.      */  
59.     public void analyze(Analyzer analyzer,String text) throws Exception {  
60.         System.out.println("-----------分词器："+analyzer.getClass());  
61.         //分词器将text文本的内容分词,并打印出来  
62.         TokenStream tokensStream = analyzer.tokenStream("content",new StringReader(text));  
63.         for(Token token=new Token();(token=tokensStream.next(token)) !=null;) {  
64.             System.out.println(token);  
65.         }  
66.     }  
67. }  

         执行方法testAnalyzer, 运行效果如下.先看英文的分词的执行效果。对于标准分词器,分词的效果是将词进行了词根还原,并且全部转为小写,所以没有了adddocument's,只有adddocument.而简单分词器根据效果可以理解为根据标点符号来分割,而且只是分割.下面的CJK分词器和极易分词器主要对于中文进行分词,当然分英文也是可以的.

          这是中文的分词效果.standardAnalyzer是单个分词,一个一个分;而simpleAnalyzer因为没有找到标点符号,分割不了;CJKAnalyzer则是二分法,将所有的都两两结合;MMAnalyzer极易分词则效果很好,根据中文的词分成了2个.

         以上就是StandardAnalyzer,SimpleAnalyzer,CJKAnalyzer和MManalyzer的分词效果的显示.通过这段代码,可以测试更多的分词器的效果.下一篇是补充索引的功能的,之前直接了创建和查询,修改和删除没有介绍.所以,下一篇《全文检索之lucene的优化篇--增删改查》。