Lucene基础（三）-- 中文分词及高亮显示

Lucene分词器及高亮

分词器

在lucene中我们按照分词方式把文档进行索引，不同的分词器索引的效果不太一样，之前的例子使用的都是标准分词器，对于英文的效果很好，但是中文分词效果就不怎么样，他会按照汉字的字直接分词，没有词语的概念。

使用分词的地方只需要把Analyzer实例化成我们第三方的分词器即可

中文分词有很多，这里使用IKAnalyzer 为例，
下载地址 https://git.oschina.net/wltea/IK-Analyzer-2012FF 现在下来后里面有一篇教程。

高亮

导入lucene-highlighter-xxx.jar 在对查询出来的结果实现高亮显示

// 关键字高亮显示的html标签，需要导入lucene-highlighter-xxx.jar

SimpleHTMLFormatter simpleHTMLFormatter = new SimpleHTMLFormatter("", "");

　　Highlighter highlighter = new Highlighter(simpleHTMLFormatter, new QueryScorer(query));

for (int i = 0; i < hits.length; i++) {

　　　　Document doc = isearcher.doc(hits[i].doc);

　　　　// 内容增加高亮显示

　　　　TokenStream tokenStream = analyzer.tokenStream("content", new StringReader(doc.get("content")));

　　　　String content = highlighter.getBestFragment(tokenStream, doc.get("content")); System.out.println(content);

　　}

Lucene中文分词器

package lucene_demo04;

import java.io.IOException;
import java.io.StringReader;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.document.TextField;
import org.apache.lucene.index.CorruptIndexException;
import org.apache.lucene.index.DirectoryReader;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.index.IndexWriterConfig.OpenMode;
import org.apache.lucene.queryparser.classic.ParseException;
import org.apache.lucene.queryparser.classic.QueryParser;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.QueryWrapperFilter;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.highlight.Highlighter;
import org.apache.lucene.search.highlight.InvalidTokenOffsetsException;
import org.apache.lucene.search.highlight.QueryScorer;
import org.apache.lucene.search.highlight.SimpleHTMLFormatter;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.RAMDirectory;
import org.apache.lucene.util.Version;
import org.wltea.analyzer.lucene.IKAnalyzer;

/**
* 中文分词，IKAnalayzer,对索引结果实现高亮显示
*
* @author YipFun
*/
public class LuceneDemo04
{
　　private static final Version version = Version.LUCENE_4_9;
　　private Directory directory = null;
　　private DirectoryReader ireader = null;
　　private IndexWriter iwriter = null;
　　private IKAnalyzer analyzer;

　　// 测试数据
　　private String[] content = { "你好，我是中共人", "中华人民共和国", "中国人民从此站起来了", "Lucene是一个不错的全文检索的工具", "全文检索中文分词" };

　　/**
　　 * 构造方法
　　 */
　　public LuceneDemo04()
　　{
　　　　directory = new RAMDirectory();
　　}

　　private IKAnalyzer getAnalyzer()
　　{
　　　　if (analyzer == null)
　　　　{
　　　　　　return new IKAnalyzer();
　　　　} else
　　　　{
　　　　　　return analyzer;
　　　　}
　　}

　　/**
　　* 创建索引
　　*/
　　public void createIndex()
　　{
　　　　Document doc = null;
　　　　try
　　　　{
　　　　　　IndexWriterConfig iwConfig = new IndexWriterConfig(version, getAnalyzer());
　　　　　　iwConfig.setOpenMode(OpenMode.CREATE_OR_APPEND);
　　　　　　iwriter = new IndexWriter(directory, iwConfig);
　　　　　　for (String text : content)
　　　　　　{
　　　　　　doc = new Document();
　　　　　　doc.add(new TextField("content", text, Field.Store.YES));
　　　　　　iwriter.addDocument(doc);
　　　　}

　　} catch (IOException e)
　　{
　　　　e.printStackTrace();
　　} finally
　　{
　　try
　　{
　　　　if (iwriter != null)
　　　　iwriter.close();
　　} catch (IOException e)
　　{
　　　　e.printStackTrace();
　　}
　　}

　　}

　　public IndexSearcher getSearcher()
　　{
　　　　try
　　　　{
　　　　　　if (ireader == null)
　　　　　　{
　　　　　　　　ireader = DirectoryReader.open(directory);
　　　　　　} else
　　　　　　{
　　　　　　　　DirectoryReader tr = DirectoryReader.openIfChanged(ireader);
　　　　　　　　if (tr != null)
　　　　　　　　{
　　　　　　　　　　ireader.close();
　　　　　　　　　　ireader = tr;
　　　　　　　　}
　　　　　　}
　　　　　　return new IndexSearcher(ireader);
　　　　} catch (CorruptIndexException e)
　　　　{
　　　　　　e.printStackTrace();
　　　　} catch (IOException e)
　　　　{
　　　　　　e.printStackTrace();
　　　　}
　　　　return null;
　　}

　　public void searchByTerm(String field, String keyword, int num) throws InvalidTokenOffsetsException
　　{
　　　　IndexSearcher isearcher = getSearcher();
　　　　Analyzer analyzer = getAnalyzer();
　　　　// 使用QueryParser查询分析器构造Query对象
　　　　QueryParser qp = new QueryParser(version, field, analyzer);
　　　　// 这句所起效果？
　　　　qp.setDefaultOperator(QueryParser.OR_OPERATOR);
　　　　try
　　　　{
　　　　　　Query query = qp.parse(keyword);
　　　　　　ScoreDoc[] hits;

　　　　　　// 注意searcher的几个方法
　　　　　　hits = isearcher.search(query, null, num).scoreDocs;

// 关键字高亮显示的html标签，需要导入lucene-highlighter-xxx.jar
　　　　　　SimpleHTMLFormatter simpleHTMLFormatter = new SimpleHTMLFormatter("", "");
　　　　　　Highlighter highlighter = new Highlighter(simpleHTMLFormatter, new QueryScorer(query));

for (int i = 0; i < hits.length; i++)
　　　　　　{
　　　　　　　　Document doc = isearcher.doc(hits[i].doc);
　　　　　　　　// 内容增加高亮显示
　　　　　　　　TokenStream tokenStream = analyzer.tokenStream("content", new StringReader(doc.get("content")));
　　　　　　　　String content = highlighter.getBestFragment(tokenStream, doc.get("content"));
　　　　　　　　System.out.println(content);
　　　　　　}

　　　　} catch (IOException e)
　　　　{
　　　　　　e.printStackTrace();
　　　　} catch (ParseException e)
　　　　{
　　　　　　e.printStackTrace();
　　　　}
　　}

　　/**
　　* 使用过滤器查询
　　*
　　* @param field
　　* @param keyword
　　* @param num
　　* @throws InvalidTokenOffsetsException
　　*/
　　public void searchByTermFilter(String field, String keyword, int num) throws InvalidTokenOffsetsException
　　{
　　　　IndexSearcher isearcher = getSearcher();
　　　　Analyzer analyzer = getAnalyzer();
　　　　// 使用QueryParser查询分析器构造Query对象
　　　　QueryParser qp = new QueryParser(version, field, analyzer);
　　　　// 这句所起效果？
　　　　qp.setDefaultOperator(QueryParser.OR_OPERATOR);
　　　　try
　　　　{
　　　　　　Query query = qp.parse(keyword);
　　　　　　Query q2 = qp.parse("全文检索");
　　　　　　ScoreDoc[] hits;

　　　　　　QueryWrapperFilter filter = new QueryWrapperFilter(q2);
　　　　　　// 注意searcher的几个方法
　　　　　　hits = isearcher.search(query, filter, num).scoreDocs;

　　　　} catch (IOException e)
　　　　{
　　　　　　e.printStackTrace();
　　　　} catch (ParseException e)
　　　　{
　　　　　　e.printStackTrace();
　　　　}
　　}

　　public static void main(String[] args) throws InvalidTokenOffsetsException
　　{
　　　　System.out.println("start");
　　　　LuceneDemo04 ld = new LuceneDemo04();
　　　　ld.createIndex();
　　　　long start = System.currentTimeMillis();
　　　　ld.searchByTerm("content", "人民", 500);
　　　　System.out.println("end search use " + (System.currentTimeMillis() - start) + "ms");
　　}

}

运行结果：

start 加载扩展词典：ext.dic

加载扩展停止词典：stopword.dic

中华人民共和国

中国人民从此站起来了

end search use 129ms