solr5.5教程－Analyzer、Tokenizer、Filter

对于文本，solr在建立索引和搜索的时候需要对其做一定的处理（比如英文要去掉介词、转成小写、单词原形化等，中文要恰当地要分词）。这些工作，一般由Analyzers、Tokenizers、和Filter来实现。这三个东东配置在fieldType中。下面分别介绍一下

1、analyzer：告诉solr在建立索引和搜索的时候，如何处理text类型的内容，比如要不要去掉“a”、去掉介词、去掉复数，要不要全部变成小写等等……它在schema.xml文件中配置，可以直接指定一个类给它；也可以由tokenizer和filter的组合来实现。

此结点有几个参数：

• type：可选参数，index或query，表名这个配置是在建立索引还是在搜索的时候使用
• tokenizer：分词器，比如：StandardTokenizerFactory
• filter：过滤器，比如：LowerCaseFilterFactory，小写转换

2、tokenizer：在analyzer结点内，指定analyzer的分词器。

3、filter：过滤器，比如：LowerCaseFilterFactory，小写转换

下面是一个配置的例子：

<fieldType name="text_ik" class="solr.TextField">
        <analyzer type="index" useSmart="false">
            <tokenizer class="org.wltea.analyzer.lucene.IKTokenizerFactory"/>
        </analyzer>
        <analyzer type="query" useSmart="true" class="org.wltea.analyzer.lucene.IKAnalyzer"/>
</fieldType>

Tokenizer和Filter的区别：

• Tokenizer：接收text（通过从solr那里获得一个reader来读取文本），拆分成tokens，输出token stream
• Filter：接收token stream，对每个token进行处理（比如：替换、丢弃、不理），输出token stream

因此，在配置文件中，Tokenizer放在第一位，Filter放在第二位直到最后一位。

 

 

对于简单的英文文本，可以这样配置（使用空格分词器，不需要tokenizer和filter）：

<fieldType name="nametext" class="solr.TextField">
    <analyzer class="org.apache.lucene.analysis.WhitespaceAnalyzer"/>
</fieldType>

一般情况下，需要更多的处理，比如：

<fieldType name="nametext" class="solr.TextField">
    <analyzer type="index">
        <tokenizer class="solr.StandardTokenizerFactory"/>
        <filter class="solr.StandardFilterFactory"/>
        <filter class="solr.LowerCaseFilterFactory"/>
        <filter class="solr.StopFilterFactory"/>
        <filter class="solr.EnglishPorterFilterFactory"/>
    </analyzer>
</fieldType>

注：type="index"或"type="query" 这个参数如果没有，则表示两种都适用。

注：那些Factory并不是真正的tokenizer或filter，而是负责创建一个实现tokenizer接口的类。

注：由于filters是顺序执行的，前一个的结果是后一个是输入，所以，一般通用的处理放在前面，特殊的处理靠后

 

这些tokenizer和filter是顺序执行的，在建索引的情况下，最后一个filter EnglishPorterFilterFactory的输出，就会被用来建立索引。而原文本是不会变的，比如A Red Cow的索引是red, cow，但原文件还是保持Many Cows。

 

tokenizer和filter的配置还可以接收额外的参数：

<fieldType name="semicolonDelimited" class="solr.TextField">
    <analyzer type="query">
        <tokenizer class="solr.PatternTokenizerFactory" pattern="; "/>
        <filter class="solr.LengthFilterFactory" min="2" max="7"/>
    <analyzer>
</fieldType>