Solr之拼音检索。

不念不忘少年蓝@ 2024-02-18 16:09 14阅读 0赞

拼音检索中国人的专用检索，例如：中文内容为“中国”的输入 “zhongguo”、“zg”、“zhonggu 全拼”、“简拼”、“拼音”的相邻的一部分都应该能检索出“中国”来。

想要实现拼音检索第一个就是拼音转换，我这里用的是pinyin4j进行拼音转换。第二个就是N-Gram的题目，推敲到用户可能输入的既不是前缀也不是后缀，所以此处选择的是N-Gram，Solr里的实现叫 EdgeNGramTokenFilter，但是分的太细了，不需要这么复杂 EdgeNGramTokenFilter，也就是说我们用的N-Gram不同于传统的N-Gram。

同样的例子使用EdgeNGramTokenFilter从前往后取2-Gram的结果是zh，一般是取min - max 之间的所有 gram，所以使用EdgeNGramTokenFilter取2-20的gram结果就是zh，zho，zhon，zhong，zhongg，zhonggu，zhongguo，从这个例子也不难理解为什么我要选择使用EdgeNGramTokenFilter而非一般意义上的N-Gram，考虑到用户可能输入的不是前缀而是后缀，所以为了照顾这些用户，我选择了从前往后和从后往前使用了两次 EdgeNGramTokenFilter，这样不只是前缀、后缀，二十任意的字串都考虑进去了，所以大幅度的提高了搜索体验。

现在思路明确了我们把它结合到Solr中，为了方便使用现在写了两个Filter进行处理拼音分词问题一个是拼音转换Filter（Pinyin TransformTokenFilter）一个是拼音N-Gram的Filter（PinyinNGramTokenFilter），这样一来使用时就不用再添加索引前做拦音的转换了。而且Pinyin Transform TokenFilter 还有个好处就是它只使用中文分词器分过的词，也就是说做转换的词都是有用的不重复的，不会对没用的停词类的做拼音转换和重复拼音转换，这样大大的提高了拼音转换速度。

想要Solr支持拼音检索就要先把拼音分词（PinyinAnalyzer）的jar复制到\\solr\\contrib\\analysis-extras\\lib下，然后在schema.xml中配置一个拼音字段类型：

> <analyzer type = "index">
> 
> > <tokenizer class = "org.apache.lucene.analysis.cn.smart.SmartChineseSentenceTokenizerFactory" />
> > 
> > <filter class = "org.apache.lucene.analysis.cn.smart.SmartChineseWordTokenFilterFactory" />
> > 
> > <filter class = "com.shentong.search.analyzers.PinyinTransformTokenFilterFactory" minTermLength = "2" />
> > 
> > <filter class = "com.shentong.search.analyzers.PinyinNGramTokenFilterFactory" minGram = "1" maxGram = "20" />
> 
> </analyzer>
> 
> <analyzer type = "query">
> 
> > <tokenizer class = "org.apache.lucene.analysis.cn.smart.SmartChineseSentenceTokenizerFactory" />
> > 
> > <filter class = "org.apache.lucene.analysis.cn.smart.SmartChineseWordTokenFilterFactory" />
> > 
> > <filter class = "com.shentong.search.analyzers.PinyinTransformTokenFilterFactory" minTermLength = "2" />
> > 
> > <filter class = "com.shentong.search.analyzers.PinyinNGramTokenFilterFactory" minGram = "1" maxGram = "20" />
> 
> </analyzer>  
>

</fieldType>

minTermLength：最小中文词长度，意思是小于这个值的中文词不会做拼音转换。

minGram：最小拼音切分长度。

如果想使用简拼的话在拼音转换Filter使用这个参数isFirstChar="true"就可以了。

在这个拼音类型中我们使用了smartcn的中言语分词器，如果想使用其他的自己换掉就行了。现在我们在原来索引中加入一个拼音字段，因为只做索引，我们可以这样配置：

> <field name = "pinyin" type = "text\_pinyin" indexed = "true" stored = "false" multiValued = "false" />

加完后我们重新启动Solr测试一下看看。

> ![Image 1][]

由于上面minTermLenght和minGram设置的值，现在出现了人没有进行拼音转换并且最小拼音切分是从1个开始的。

到这里我们的配置还有没完成，还要加几个copyFiled，这样就不用单独处理我们新加的拼音字段。

> <copyField source = "context" dest = "pinyin" />
> 
> <copyField source = "text" dest = "spell" />
> 
> 到现在就可以使用拼音检索了。
> 
> 拼音分词器jar要复制到项目内。  
>

[Image 1]: