lucene中的Token, TokenStream, Tokenizer, Analyzer

亦凉 2022-05-20 01:45 119阅读 0赞

转载地址：[http://ybzshizds.iteye.com/blog/562794][http_ybzshizds.iteye.com_blog_562794]

Token： 如果一个字段被token化，这表示它经过了一个可将内容转化为tokens串的分析程序。 Token是建立索引的基本单位，表示每个被编入索引的字符。 在token化的过程中，分析程序会在使用任何转换逻辑（例如去掉 "a” 或 "the" 这类停用词，执行词干搜寻，将无大小写区分的所有文字转换成小写等）的同时，抽取应被编入索引的文本内容。由于和字段相关的内容减少到只剩核心元素，因此，索引作为与某个字段相关的文字内容，它的规模也被缩小了。只有被token化的字段也将被编入索引的情况下才有意义。 对Akamai.com来说，“标题”被token化，所以Lucene不用搜寻如 "a" 或 "the" 这类单词。

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()
    
     }

TokenStream是用来走访Token的iterator(迭代器)

public abstract class TokenStream {
      public abstract Token next() throws IOException;
      public void close() throws IOException {}
    }

Tokenizer继承自TokenStream，其输入为Reader

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();
      }
    }

TokenFilter继承自TokenStream,其作用是用来完成对TokenStream的过滤操作，譬如   
去StopWords，将Token变为小写等

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();
      }
    }

Analyzer就是一个TokenStream工厂

public abstract class Analyzer { 
      public TokenStream tokenStream(String fieldName, Reader reader){
          return tokenStream(reader);
      }
    
      public TokenStream tokenStream(Reader reader){
          return tokenStream(null, reader);
      }
    }

Analyzer的作用就是把文本分解为便于Lucene处理的token,好比人体的肠道，负责把食物分解成易于吸收的小块。

Query query = new QueryParser(Version.LUCENE\_36,"text",analyzer).parse(nameen.trim());

这个是lucene内部先对 nameen进行分词，比如按空格之内的，然后分词之后的结果任意一个被包含于text字段里面的内容，那么该条记录就被选中

例如：

# Hybrid safflower (Carthamus tinctorius) oil  #

分词为：

# \+(text:hybrid text:safflower text:carthamus text:tinctorius text:oil) -id:246281    #

[http_ybzshizds.iteye.com_blog_562794]: http://ybzshizds.iteye.com/blog/562794