Lucene-2.2.0 源代码阅读学习(5)

研究Lucene分析器的实现。 Analyzer抽象类 所有的分析器的实现，都是继承自抽象类Analyzer，它的源代码如下所示： package org.apache.lucene.analysis; import java.io.Reader; public abstract class Analyzer { //   通过Field的名称，和一个Reader对象，创建一个分词流，该方法是抽象方法 public abstract TokenStream tokenStream(String fieldName, Reader reader); //个人理解，感觉这个方法是在后台分词用的，因为对一个文件建立索引，要构造Field，可能有重复的。 public int getPositionIncrementGap(String fieldName) {     return 0; } } 这里，tokenStream()的作用非常大。它返回一个TokenStream类对象，这个TokenStream类对象应该是已经经过分词器处理过的。 与Analyzer抽象类有关的其他类 TokenStream也是一个抽象类： package org.apache.lucene.analysis; import java.io.IOException; // 对后台选择的待分析处理的文件，一个TokenStream对象包含了对这个文件分词的词条序列 public abstract class TokenStream { // 返回下一个分词的词条 public abstract Token next() throws IOException; // 重置一个分词流，恢复到分词工作的开始状态 public void reset() throws IOException {} // 关闭分词流，停止分词 public void close() throws IOException {} } TokenStream类的方法表明，它最基本的是对分词流的状态进行管理。具体地，它如何对分析的对象处理，应该从继承该抽象类的子类的构造来看。 在包org.apache.lucene.analysis下可以看到有两个TokenStream的子类：Tokenizer和TokenFilter，它们还都是抽象类，从这两个抽象类可以看出，是在TokenStream的基础上，按照功能进行分类实现：处理分词、过滤分词。 Tokenizer类在Lucene中定义如下所示： package org.apache.lucene.analysis; import java.io.Reader; import java.io.IOException; // Tokenizer所处理的输入来源是一个Reader对象 public abstract class Tokenizer extends TokenStream { // 一个Reader对象作为它的成员 protected Reader input; protected Tokenizer() {} protected Tokenizer(Reader input) {     this.input = input; } // 关闭输入流 public void close() throws IOException {     input.close(); } } 接着，看看TokenFilter类的实现，TokenFilter类在Lucene中定义如下所示： package org.apache.lucene.analysis; import java.io.IOException; // TokenFilter是TokenStream的子类，在分词之后进行，起过滤器的作用 public abstract class TokenFilter extends TokenStream { // 它以一个TokenStream对象作为成员 protected TokenStream input; protected TokenFilter(TokenStream input) {     this.input = input; } public void close() throws IOException {     input.close(); } } TokenFilter是可以嵌套Tokenizer的： 当一个Tokenizer对象不为null时，如果需要对其进行过滤，可以构造一个TokenFilter来对分词的词条进行过滤。 同样地，在包org.apache.lucene.analysis下可以找到继承自Tokenizer类的具体实现类。 很明显了，实现Tokenizer类的具体类应该是分词的核心所在了。 对指定文本建立索引之前，应该先构造Field对象，在此基础上再构造Document对象，然后添加到IndexWriter中进行分析处理。在这个分析处理过程中，包含对其进行分词(Tokenizer)，而经过分词处理以后，返回的是一个Token对象(经过分词器得到的词条)，它可能是Field中的一个Term的一部分。 看一看Token类都定义了哪些内容： package org.apache.lucene.analysis; import org.apache.lucene.index.Payload; import org.apache.lucene.index.TermPositions; public class Token implements Cloneable { String termText;      // 一个词条的内容 int startOffset;      // 记录在源文件中第一次出现的位置 int endOffset;      // 记录在源文件中最后一次出现的位置t String type = "word";      // lexical type Payload payload; private int positionIncrement = 1;    // 位置增量 public Token(String text, int start, int end) {    // 初始化一个词条实例时，初始化词条文本内容、开始位置、最后位置     termText = text;     startOffset = start;     endOffset = end; } public Token(String text, int start, int end, String typ) {     // 初始化一个词条实例时，初始化词条文本内容、开始位置、最后位置、类型     termText = text;     startOffset = start;     endOffset = end;     type = typ; } // 设置位移增量的，相对于TokenStream中该Token的前一个，只能设置为1或0 //默认为1，如果为0，则表示多个Term都具有同一个位置。 public void setPositionIncrement(int positionIncrement) {     if (positionIncrement < 0)       throw new IllegalArgumentException         ("Increment must be zero or greater: " + positionIncrement);     this.positionIncrement = positionIncrement; } public int getPositionIncrement() { return positionIncrement; } // 设置词条(Token)的内容 public void setTermText(String text) {     termText = text; } public final String termText() { return termText; } // 返回该词条(Token)在一个文件(待建立索引的文件)中的起始位置 public final int startOffset() { return startOffset; }    // 返回该词条(Token)在一个文件(待建立索引的文件)中的结束位置 public final int endOffset() { return endOffset; } // 返回Token's lexical type public final String type() { return type; }    // Payload是一个元数据(metadata)对象，对每个检索的词条(Term)都设置相应的Payload，存储在index中，通过Payload可以获取一个词条(Term)的详细信息 public void setPayload(Payload payload) {     this.payload = payload; }    public Payload getPayload() {     return this.payload; } // 将一个词条(Token) 的信息，转换成字符串形式，在该字符串中，使用逗号作为每个属性值的间隔符 public String toString() {     StringBuffer sb = new StringBuffer();     sb.append("(" + termText + "," + startOffset + "," + endOffset);     if (!type.equals("word"))       sb.append(",type="+type);     if (positionIncrement != 1)       sb.append(",posIncr="+positionIncrement);     sb.append(")");     return sb.toString(); } // 需要的时候，该Token对象 可以被克隆 public Object clone() {     try {       return super.clone();     } catch (CloneNotSupportedException e) {       throw new RuntimeException(e); // shouldn't happen since we implement Cloneable     } } } 继承Tokenizer类的直接子类 Tokenizer类的直接子类有： CharTokenizer(抽象类)、KeywordTokenizer、 org.apache.lucene.analysis.standard.StandardTokenizer、 org.apache.lucene.analysis.cn.ChineseTokenizer、 org.apache.lucene.analysis.ngram.NGramTokenizer、 org.apache.lucene.analysis.ngram.EdgeNGramTokenizer。 其中： CharTokenizer是一个抽象类，它又有3个子类，如下： org.apache.lucene.analysis.ru.RussianLetterTokenizer、 .WhitespaceTokenizer、LetterTokenizer(都和CharTokenizer类在包org.apache.lucene.analysis里)。 最后，LowerCaseTokenizer是最终类，又是LetterTokenizer类的子类