0 Lucene的分析过程 jopen 12年前 Lucene的分析过程 回顾倒排索引的构建 收集待建索引的原文档(Document) 将原文档传给词条化工具(Tokenizer)进行文本词条化 将第二步得到的词条(Token)传给语言分析工具(Linguistic modules)进行语言学预处理,得到词项(Term) 将得到的词项(Term)传给索引组件(Indexer),建立倒排索引 注:详细文档->倒排索引的理论过程见词项词典及倒排记录表 分析操作的使用场景 1.如上,倒排索引的构建阶段 2.针对自由文本的查询阶段 QueryParser parser = new QueryParser(Version.LUCENE_36, field, analyzer); Query query = parser.parse(queryString); lucene的Analyzer接收表达式queryString中连续的独立的文本片段,但不会接收整个表达式。 例如:对查询语句"president obama" + harvard + professor,QueryParser会3次调用分析器,首先是处理文本“president obama”,然后是文本“harvard”,最后处理“professor”。 3.搜索结果中高亮显示被搜索内容时(即结果摘要-Snippets的生成),也可能会用到分析操作 剖析lucene分析器 抽象类Analyzer Analyzer类是一个抽象类,是所有分析器的基类。 其主要包含两个接口,用于生成TokenStream(所谓TokenStream,后面我们会讲到,是一个由分词后的Token 结果组成的流,能够不断的得到下一个分成的Token。)。 接口: 1.TokenStream tokenStream(String fieldName, Reader reader) 2.TokenStream reusableTokenStream(String fieldName, Reader reader) 为了提高性能,使得在同一个线程中无需再生成新的TokenStream 对象,老的可以被重用,所以有reusableTokenStream 一说。 Analyzer 中有CloseableThreadLocal tokenStreams = newCloseableThreadLocal(); 成员变量, 保存当前线程原来创建过的TokenStream , 可用函数setPreviousTokenStream 设定,用函数getPreviousTokenStream 得到。在reusableTokenStream 函数中,往往用getPreviousTokenStream 得到老的TokenStream 对象,然后将TokenStream 对象reset 一下,从而可以重新开始得到Token 流。   抽象类ReusableAnalyzerBase ReusableAnalyzerBase extendsAnalyzer,顾名思义主要为tokenStream的重用。 其包含一个接口,用于生成TokenStreamComponents。 接口: TokenStreamComponents createComponents(String fieldName,Reader reader);   reusableTokenStream的实现代码分析: public final TokenStream reusableTokenStream(final String fieldName, final Reader reader) throws IOException { // 得到上一次使用的TokenStream TokenStreamComponents streamChain = (TokenStreamComponents)getPreviousTokenStream(); final Reader r = initReader(reader); //如果没有PreviousTokenStream则生成新的, 并且用setPreviousTokenStream放入成员变量,使得下一个可用。 //如果上一次生成过TokenStream,则reset。reset失败则生成新的。 if (streamChain == null || !streamChain.reset(r)) { streamChain = createComponents(fieldName, r); setPreviousTokenStream(streamChain); } return streamChain.getTokenStream(); } 内部static类TokenStreamComponents 简单封装输入Tokenizer和输出TokenStream。   最简单的一个Analyzer:SimpleAnalyzer SimpleAnalyzer extendsReusableAnalyzerBase,实现createComponents方法。TokenStream的处理是将字符串最小化,生成按照空格分隔的Token流 protected TokenStreamComponents createComponents( final String fieldName, final Reader reader) { return new TokenStreamComponents(new LowerCaseTokenizer(matchVersion , reader)); } 抽象类TokenStream TokenStream 主要包含以下几个方法: 1. boolean incrementToken()用于得到下一个Token。IndexWriter调用此方法推动Token流到下一个Token。实现类必须实现此方法并更新Attribute信息到下一个Token。 2. public void reset() 重设Token流到开始,使得此TokenStrean 可以重新开始返回各个分词。   和原来的TokenStream返回一个Token 对象不同,Lucene 3.0 开始,TokenStream已经不返回Token对象了,那么如何保存下一个Token 的信息呢? 在Lucene 3.0 中,TokenStream 是继承于AttributeSource,其包含Map,保存从class 到对象的映射,从而可以保存不同类型的对象的值。在TokenStream 中,经常用到的对象是CharTermAttributeImpl,用来保存Token 字符串;PositionIncrementAttributeImpl 用来保存位置信息;OffsetAttributeImpl 用来保存偏移量信息。所以当生成TokenStream 的时候, 往往调用CharTermAttribute tokenAtt = addAttribute(CharTermAttribute.class)将CharTermAttributeImpl添加到Map 中,并保存一个成员变量。在incrementToken() 中, 将下一个Token 的信息写入当前的tokenAtt , 然后使用CharTermAttributeImpl.buffer()得到Token 的字符串。 注:Lucene 3.1开始废弃了TermAttribute和TermAttributeImpl,用CharTermAttribute和CharTermAttributeImpl代替。   Token attributes 如上述,Token的信息真正存在于各个AttributeImpl中,lucene内建的所有Attribute接口都在org.apache.lucene.analysis.tokenattributes包中。   Token attributes API的使用 1. 调用addAttribute(继承于AttributeSource)方法,返回一个对应属性接口的实现类,以获得需要的属性。 2. 递归TokenStream incrementToken()方法,遍历Token流。当incrementToken返回true时,其中Token的属性信息会将内部状态修改为下个词汇单元。 3. lucene内建Attribute接口都是可读写的,TokenStream 在遍历Token流时,会调用Attribute接口的set方法,修改属性信息。   lucene内建常用Attribute接口 1. CharTermAttribute      保存Token对应的term文本,Lucene 3.1开始用CharTermAttribute代替TermAttribute 2. FlagsAttribute             自定义标志位 3. OffsetAttribute            startOffset是指Term的起始字符在原始文本中的位置,endOffset则表示Term文本终止字符的下一个位置。偏移量常用于搜索结果中高亮Snippets的生成 4. PayloadAttribute          保存有效负载 5. TypeAttribute              保存Token类型,默认为"word",实际中可根据Term的词性来做自定义操作 6. PositionIncrementAttribute  保存相对于前一个Term的位置信息,默认值设为1,表示所有的Term都是连续的,在位置上是一个接一个的。如果位置增量大于1,则表示Term 之间有空隙,可以用这个空隙来表示被删除的Term项(如停用词)。位置增量为0,则表示该Term项与前一个Term项在相同的位置上,0增量常用来表 示词项之间是同义词。位置增量因子会直接影响短语查询和跨度查询,因为这些查询需要知道各个Term项之间的距离。 注:并不是所有的Attribute信息都会保存在索引中,很多Attribute信息只在分析过程使用,Term进索引后部分Attribute信息即丢弃。(如TypeAttribute、FlagsAttribute在索引阶段都会被丢弃)   Lucene Token流 揭秘 lucene Token流的生成,主要依赖TokenStream 的两个子类Tokenizer和TokenFilter Tokenizer类的主要作用:接收Read对象,读取字符串进行分词并创建Term项。 TokenFilter类使用装饰者模式(lucene in action中作者写的是组合模式,本人窃以为应该是装饰者模式),封装另一个TokenStream类,主要负责处理输入的Token项,然后通过新 增、删除或修改Attribute的方式来修改Term流。   如上图,当Analyzer从它的tokenStream方法或者reusableTokenStream方法返回tokenStream对象后, 它就开始用一个Tokenizer对象创建初始Term序列,然后再链接任意数量的TokenFilter来修改这些Token流。这被称为分析器链 (analyzer chain)。   一个简单的Analyzer:StopAnalyzer protected TokenStreamComponents createComponents(String fieldName, Reader reader) { //LowerCaseTokenizer接收Reader,根据Character.isLetter(char)来进行分词,并转换为字符小写 final Tokenizer source = new LowerCaseTokenizer(matchVersion , reader); //只有一个分析器链StopFilter,来去除停用词 return new TokenStreamComponents(source, new StopFilter(matchVersion , source, stopwords)); } StopAnalyzer测试 String text = "The quick brown fox jumped over the lazy dog"; System. out.println("Analyzing \"" + text + "\""); Analyzer analyzer = new StopAnalyzer(Version.LUCENE_36); String name = analyzer.getClass().getSimpleName(); System. out.println("" + name + ":"); System. out.print("" );AnalyzerUtils. displayTokens(analyzer, text); System. out.println("\n" ); 结果输出 Analyzing "The quick brown fox jumped over the lazy dog"   StopAnalyzer:     [quick] [brown] [fox] [jumped] [over] [lazy] [dog]     作者: God bless you 出处: http://www.cnblogs.com/god_bless_you/ 相关经验 Lucene的分析过程 Elasticsearch 分片交互过程分析 BroadcastReceiver 的工作过程分析 mapreduce源码分析作业分配过程 目录