Solr通过特殊字符分词实现自定义分词器详解

2019-11-26 11:31:43

字体：大中小

来源：转载

供稿：网友

前言

我们在对英文句子分词的时候，一般采用采用的分词器是WhiteSpaceTokenizerFactory，有一次因业务要求，需要根据某一个特殊字符（以逗号分词，以竖线分词）分词。感觉这种需求可能与WhiteSpaceTokenizerFactory相像，于是自己根据Solr源码自定义了分词策略。

业务场景

有一次，我拿到的数据都是以竖线“|”分隔，分词的时候，需要以竖线为分词单元。比如下面的这一堆数据：

有可能你拿到的是这样的数据，典型的例子就是来自csv文件的数据，格式和下面这种类似：

分词思路

在Solr的schema.xml文件中，有这样的配置

<fieldType name="text_ws" class="solr.TextField" positionIncrementGap="100"> <analyzer>  <tokenizer class="solr.WhitespaceTokenizerFactory"/> </analyzer></fieldType>

对于字段类型text_ws，指定了一个分词器工厂WhitespaceTokenizerFactory，根据这个类，可以实现通过空格来分词，那么我通过竖线分词的代码应该与之类似。

修改源码

在Java工程中引入如下jar包：

<dependency>  <groupId>org.apache.solr</groupId>  <artifactId>solr-core</artifactId>  <version>6.0.0</version></dependency>

参照WhitespaceTokenizerFactory的源码，写一个自己的MyVerticalLineTokenizerFactory，内容基本不变：

package com.trainning.project.custom;import java.util.Arrays;import java.util.Collection;import java.util.Map;import org.apache.lucene.analysis.Tokenizer;import org.apache.lucene.analysis.core.UnicodeWhitespaceTokenizer;import org.apache.lucene.analysis.util.TokenizerFactory;import org.apache.lucene.util.AttributeFactory;/*** @author JiangChao* @date 2017年4月2日下午3:41:13*/public class MyVerticalLineTokenizerFactory extends TokenizerFactory{ public static final String RULE_JAVA = "java"; public static final String RULE_UNICODE = "unicode"; private static final Collection<String> RULE_NAMES = Arrays.asList(RULE_JAVA, RULE_UNICODE); private final String rule; /** Creates a new MyVerticalLineTokenizerFactory */ public MyVerticalLineTokenizerFactory(Map<String,String> args) {  super(args);  rule = get(args, "rule", RULE_NAMES, RULE_JAVA);  if (!args.isEmpty()) {  throw new IllegalArgumentException("Unknown parameters: " + args);  } } @Override public Tokenizer create(AttributeFactory factory) {  switch (rule) {  case RULE_JAVA:   return new MyVerticalLineTokenizer(factory);  case RULE_UNICODE:   return new UnicodeWhitespaceTokenizer(factory);  default:   throw new AssertionError();  } }}

具体做分词的MyVerticalLineTokenizer代码如下

package com.trainning.project.custom;import org.apache.lucene.analysis.util.CharTokenizer;import org.apache.lucene.util.AttributeFactory;/*** @author JiangChao* @date 2017年4月2日下午9:46:18*/public class MyVerticalLineTokenizer extends CharTokenizer { public MyVerticalLineTokenizer() { } public MyVerticalLineTokenizer(AttributeFactory factory) {  super(factory);  }  /** Collects only characters which do not satisfy  * 参数c指的是term的ASCII值，竖线的值为 124  */  @Override  protected boolean isTokenChar(int c) {  return !(c == 124);  }}

这里最主要的方法就是isTokenChar，它控制了分词的字符，如果需要使用逗号分词的话，字需要将这个方法修改成下面这样：

 /** Collects only characters which do not satisfy  * 参数c指的是term的ASCII值，逗号的值为 44  */  @Override  protected boolean isTokenChar(int c) {  return !(c == 44);  }

整合

代码写好了，怎么使用呢？首先，需要把刚才的java文件打成jar包。我使用的是Eclipse，直接选中两个类文件，右键 -> Export -> JAR File -> Select the export destination: ->选择输出路径，填一个jar名字：MyVerticalLineTokenizerFactory -> Finish

得到的MyVerticalLineTokenizerFactory.jar文件大约3KB，将改文件放置到./solr_home/lib下，在shcema.xml中定义自己的field

<fieldType name="vertical_text" class="solr.TextField"> <analyzer>  <tokenizer class="com.trainning.project.custom.MyVerticalLineTokenizerFactory"/> </analyzer> </fieldType> <field name="custom" type="vertical_text" indexed="true" stored="false"/>

注意这里的class是刚才自己写的分词器的完整类名。

打开Solr主页，在Analysis页面测试一下，是否实现了预期？

源码下载：

GitHub：下载地址

本地下载：链接地址

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对武林网的支持。

上一篇：java LinkedList的实例详解

下一篇：java-流的使用完结与异常处理机制(详解)