Lucene分词实现(二次开发流程)

关注

转载最新推荐文章于 2026-04-16 11:05:06 发布 1.5k 阅读 AI 写同款· GEO 优化 ›

深度学习文本预处理利器：Tokenizer详解 Tokenizer是一个用于向量化文本，将文本转换为序列的类。计算机在处理语言文字时，是无法理解文字含义的，通常会把一个词（中文单个字或者词）转化为一个正整数，将一个文本就变成了一个序列，然后再对序列进行向量化，向量化后的数据送入模型处理。阅读详情

转自：http://hi.baidu.com/zhumulangma/item/fcb2851542a2b924f7625c32

Lucene分词实现(二次开发流程)

1.1 分词流程

在Lucene3.0中，对分词主要依靠Analyzer类解析实现。Analyzer内部主要通过TokenStream类实现。Tonkenizer类、TokenFilter类是TokenStream的两个子类。Tokenizer处理单个字符组成的字符流，读取Reader对象中的数据，处理后转换成词汇单元。TokneFilter完成文本过滤器的功能，但在使用过程中必须注意不同的过滤器的使用的顺序。

1.2 分词扩展具体流程

1.2.1 Analyzer类分析

（1）所有的分词器都需要继承于Analyzer抽象类，它定义了tokenStream抽象方法。

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

该抽象类规定了Analyzer需要实现的一些方法。

（2）public abstract TokenStream tokenStream(String fieldName, Reader reader);

该方法需要自定义的分词器去实现，并返回TokenStream，即将对象以Reader的方式输入分词为fieldName字段。

TokenStream:分词流，即将对象分词后所得的Token在内存中以流的方式存在，也说是说如果在取得Token必须从TokenStream中获取，而分词对象可以是文档文本，也可以是查询文本。

参数说明：

fieldName——字段名，也就是你建索引的时候对应的字段名，比如：Field f = new Field("title","hello",Field.Store.YES, Field.Index.TOKENIZED);这句中的"title"；

reader——java.io.Reader对象；

（3）public TokenStream reusableTokenStream(String fieldName, Reader reader)。设置为可复用TokenStream，将同一线程中前面时间的TokenStream设置为可复用。那些无必要同一时刻使用多个TokenStream的调用者使用这个方法，可以提升性能。

（4）接着，在tokenStream()方法实现中使用Tonkenizer和TokenFilter，例如StandardAnalyzer类中的tokenStream实现：

TokenStream result = new StandardTokenizer(reader);//表示用StandardTokenizer对这个要分词的reader进行处理，然后返回一个TokenStream对象

result = new StandardFilter(result);//表示对生成的TokenStream对象进行标准过滤(Filter)

result = new LowerCaseFilter(result);//表示对上面由"StandardFilter"过滤后的TokenStream对象再进行次过滤，转化为小写

result = new StopFilter(result, stopSet);//接下来再进行次过滤，去掉停止词

(5)、return result;//得到最终结果由此可以看出，主要的分词环节是Tokenizer类执行，而Filter负责数据的预处理和分词后处理且数量不限。

1.2.2 TokenStream类分析

TokenStream是一个抽象类，枚举词序列，要么是从一个文档的域得来，要么是从一个查询文本中得到。主要任务有：

（1）获取下一Token；

（2）重设流（可选）；

（3）关闭流，释放资源；


 public Token next()；//取得词序列中的下一个词

 public Token next(final Token reusableToken);//输入可复用的Token，作为初始参数，可以返回一个新的Token

 public void reset();

 public void close();

 //在Lucene3以后，next方法改为了incrementToken，并增加了end方法。

 public abstract boolean incrementToken() throws IOException;

 public void end() throws IOException;

1.2.3 Tokenizer类分析

Tokenizer类是继承于TokenStream的一个抽象类，是一个输入为Reader的TokenStream。

其职责是：

（1）接收输入流并根据输入流进行词切分。因此，该类是定制分词器的核心之一。

Public abstractclass Tokenizer extends TokenStream {

  protected Reader input;//增加了输入流Reader

  protected Tokenizer() {}

  protected Tokenizer(Reader input) {

    this.input = input;

  }

   publicvoid close() throws IOException {

    input.close();

  }

 

  /**设置input到一个新的Reader*/

  publicvoid reset(Reader input) throws IOException {

    this.input = input;

  }

}

在Tokenizer类中，核心的方法是next方法，以CharTokenizer为例。

publicfinal Token next(final Token reusableToken) throws IOException {

    assert reusableToken != null;

    reusableToken.clear();

    int length = 0;

    int start = bufferIndex;//起始位置

    char[] buffer = reusableToken.termBuffer();

    while (true) {

      if (bufferIndex >= dataLen) {//如果缓冲取大于数据长度，再读取到缓冲区

        offset += dataLen;

        dataLen = input.read(ioBuffer);

        if (dataLen == -1) {

          if (length > 0)

            break;

          else

            returnnull;

        }

         = 0;

      }

      finalchar c = ioBuffer[bufferIndex++];//无论如何都取一个字符

      if (isTokenChar(c)) {// if it's a token char

        if (length == 0)                               // start of token

          start = offset + bufferIndex - 1;

        elseif (length == buffer.length)

          buffer = reusableToken.resizeTermBuffer(1+length);

        buffer[length++] = normalize(c); // buffer it, normalized

        if (length == MAX_WORD_LEN) // buffer overflow!

          break;

      } elseif (length > 0) // at non-Letter w/ chars

        break;                  // return 'em

    }

    reusableToken.setTermLength(length);

    reusableToken.setStartOffset(start);

    reusableToken.setEndOffset(start+length);

    return reusableToken;

  }

1.2.4 TokenFilter类分析

TokenFilter类继承于TokenStream，其输入是另一个TokenStream，主要职责是对TokenStream进行过滤，例如去掉一些索引词、替代同义索引词等操作。

1.2.5 Token类分析

（1）Token属性

lucene里定义了几种基本属性：

1）TermAttribute：表示token的字符串信息。比如"I'm"；

2）TypeAttribute：表示token词典类别信息，默认为“Word”，比如I'm就属于<APOSTROPHE>，有撇号的类型；

3）OffsetAttribute：表示token的首字母和尾字母在原文本中的位置。比如I'm的位置信息就是(0,3)，需要注意的是startOffset与endOffset的差值并不一定就是termText.length()，因为可能term已经用stemmer或者其他过滤器处理过；

4）PositionIncrementAttribute：这个有点特殊，它表示tokenStream中的当前token与前一个token在实际的原文本中相隔的词语数量，用于短语查询。比如：在tokenStream中[2:a]的前一个token是[1:I'm ]，它们在原文本中相隔的词语数是1，则token="a"的PositionIncrementAttribute值为1；

5）PayloadAttribute，payload即负载量意思，是每个term出现一次则存储一次的元数据，它存储于特定term的posting list内部。

6）FlagsAttribute，用于在Tokenizer链之前传递标记（因为前面一个操作可能会影响后面的操作）。那么这个属性有什么用呢，用处很大的。加入我们想搜索一个短语student apples(假如有这个短语)。很显然，用户是要搜索出student apples紧挨着出现的文档。这个时候我们找到了某一篇文档(比如上面例子的字符串)都含有student apples。但是由于apples的PositionIncrementAttribute值是5，说明肯定没有紧挨着。

（2）核心方法

前面几个属性都作为其成员变量。

set、get方法

hashCode方法

（为什么要HASH？便于另一种方式去映射，常用的HASH算法有哪些？）

其典型的hash代码是code = code * 31 + startOffset，

copyTo方法

复制到另一个AttributeImpl中。

reflectWith方法

属性反射，从Token对象中解析得出属性。