V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
3023369823
V2EX  ›  Java

java 中文分词算法,基于: lucene+IKAnalyzer

  •  1
     
  •   3023369823 · 2016-08-22 09:58:37 +08:00 · 4305 次点击
    这是一个创建于 3014 天前的主题,其中的信息可能已经有所发展或是发生改变。

    我想只要是学过数据库的孩纸,不管是 mysql ,还是 sqlsever ,一提到查找,本能的想到的便是 like 关键字,其实去转盘网分类模式)之前也是采用这种算法,但我可以告诉大家一个很不幸的事情, like 匹配其实会浪费大量的有用资源,原因这里不说了请自己想一想,我们还是直接摆事实验证。

    现在用去转盘网搜: hello 找个单词,如下:

    点击实验

    翻页你会发现只要是包含 hello 的单词都找到了,但是如果你用 like 的话是不会有这个效果的,不信让我们再看一下,还好他来说电影网的分词算法我还没来得及修改,还可以看到现象:

    点击实验

    你会发现只有开始包含 hello 这个字段的搜索串才能得到匹配,这就问题来了,数据库中大量的资源岂不是白白浪费了,不过没事,伟大的人类还是很聪明的,发明了分词,分词的原理我就不讲了,请自己百度吧,还是直接上代码,提示,这里需要四个 jar 包作为工具,我先上传的去转盘,想要做分词的请先下载:

    分词包下载地址 1

    分词包下载地址 2

    package com.tray.indexData;
    import java.io.File;
    import java.io.IOException;
    import java.io.StringReader;
    import java.math.BigInteger;
    import java.util.ArrayList;
    import java.util.HashMap;
    import java.util.List;
    import java.util.Map;
    
    import org.apache.lucene.analysis.Analyzer;
    import org.apache.lucene.analysis.TokenStream;
    import org.apache.lucene.document.Document;
    import org.apache.lucene.document.Fieldable;
    import org.apache.lucene.index.CorruptIndexException;
    import org.apache.lucene.index.IndexReader;
    import org.apache.lucene.index.IndexWriter;
    import org.apache.lucene.index.IndexWriterConfig;
    import org.apache.lucene.index.IndexWriterConfig.OpenMode;
    import org.apache.lucene.index.Term;
    import org.apache.lucene.queryParser.MultiFieldQueryParser;
    import org.apache.lucene.queryParser.QueryParser;
    import org.apache.lucene.search.IndexSearcher;
    import org.apache.lucene.search.PrefixQuery;
    import org.apache.lucene.search.Query;
    import org.apache.lucene.search.ScoreDoc;
    import org.apache.lucene.search.TermQuery;
    import org.apache.lucene.search.TopDocs;
    import org.apache.lucene.search.TopScoreDocCollector;
    import org.apache.lucene.search.WildcardQuery;
    import org.apache.lucene.search.highlight.Highlighter;
    import org.apache.lucene.search.highlight.QueryScorer;
    import org.apache.lucene.search.highlight.SimpleHTMLFormatter;
    import org.apache.lucene.store.Directory;
    import org.apache.lucene.store.FSDirectory;
    import org.apache.lucene.util.Version;
    import org.wltea.analyzer.lucene.IKAnalyzer;
    
    import com.tray.bean.SerachResult;
    import com.tray.common.tools.DateFormater;
    
    public class LuceneSearch {
       
     private static String DISC_URL = "/home/indexData/data";
       
     static {
         String os = System.getProperty("os.name"); 
         if(os.toLowerCase().startsWith("win")){ 
             DISC_URL = "E:\\indexData\\data";
         }
         else{
             DISC_URL ="/home/indexData/data";
         }
     }
           
     //指定分词器
     private Analyzer analyzer=new IKAnalyzer();
     private static Directory directory;
     //配置
     private static IndexWriterConfig iwConfig;
     //配置 IndexWriter
     private static IndexWriter writer; 
     private static File indexFile = null; 
       
     private static Version version = Version.LUCENE_36;
       
     private final int PAPGESIZE=10;
    
     /**
      * 全量索引
      * @Author haoning
      */
     public void init() throws Exception {
           
         try {
             indexFile = new File(DISC_URL);
             if (!indexFile.exists()) {
                 indexFile.mkdir();
             }
             directory=FSDirectory.open(indexFile); 
             //配置 IndexWriterConfig 
             iwConfig = new IndexWriterConfig(version,analyzer); 
             iwConfig.setOpenMode(OpenMode.CREATE_OR_APPEND); 
                 //创建写索引对象 
             writer = new IndexWriter(directory,iwConfig);  
         } catch (Exception e) {
         }
     }
       
     public void closeWriter(){
         try {
             writer.close();
         } catch (CorruptIndexException e) {
             e.printStackTrace();
         } catch (IOException e) {
             e.printStackTrace();
         }
     }
       
     public void commit(){
           
         try {
             writer.commit();
         } catch (CorruptIndexException e) {
             e.printStackTrace();
         } catch (IOException e) {
             e.printStackTrace();
         }
     }
       
     /**
      * 一个一个索引
      * @Author haoning
      */
     public void singleIndex(Document doc) throws Exception {
         writer.addDocument(doc);
     }
       
     /**
      * 一个跟新
      * @Author haoning
      */
     public void singleUpdate(Document doc) throws Exception {
         Term term = new Term("url", doc.get("url"));
         writer.updateDocument(term,doc);
     }
       
     /**
      * 全量索引
      * @Author haoning
      */
     public void fullIndex(Document[] documentes) throws Exception {
           
         writer.deleteAll();
         for (Document document : documentes) {
             writer.addDocument(document);
         }
         writer.commit();
     }
       
     /**
      * 根据 id 删除索引
      * @Author haoning
      */
     public void deleteIndex(Document document)throws Exception{
         Term term = new Term("url", document.get("url"));//url 才是唯一标志
         writer.deleteDocuments(term);
         writer.commit();
     }
       
     /**
      * 根据 id 增量索引
      * @Author haoning
      */
     public void updateIndex(Document[] documentes) throws Exception{
         for (Document document : documentes) {
             Term term = new Term("url", document.get("url"));
             writer.updateDocument(term, document);
         }
         writer.commit();
     }
       
     /**
      * 直接查询
      * @Author haoning
      */
     public void simpleSearch(String filedStr,String queryStr,int page, int pageSize) throws Exception{
         File indexDir = new File(DISC_URL); 
         //索引目录 
         Directory dir=FSDirectory.open(indexDir); 
         //根据索引目录创建读索引对象 
         IndexReader reader = IndexReader.open(dir); 
         //搜索对象创建 
         IndexSearcher searcher = new IndexSearcher(reader);
         TopScoreDocCollector topCollector = TopScoreDocCollector.create(searcher.maxDoc(), false);
           
         Term term = new Term(filedStr, queryStr);
         Query query = new TermQuery(term);
         searcher.search(query, topCollector);
         ScoreDoc[] docs = topCollector.topDocs((page-1)*pageSize, pageSize).scoreDocs;
           
         printScoreDoc(docs, searcher);
     }
       
     /**
      * 高亮查询
      * @Author haoning
      */
     public Map<String, Object> highLightSearch(String filed,String keyWord,int curpage, int pageSize) throws Exception{
         List<SerachResult> list=new ArrayList<SerachResult>();
         Map<String,Object> map = new HashMap<String,Object>();
         if (curpage <= 0) {
             curpage = 1;
         }
         if (pageSize <= 0 || pageSize>20) {
              pageSize = PAPGESIZE;
         }
         File indexDir = new File(DISC_URL); //索引目录  
         Directory dir=FSDirectory.open(indexDir);//根据索引目录创建读索引对象   
         IndexReader reader = IndexReader.open(dir);//搜索对象创建   
         IndexSearcher searcher = new IndexSearcher(reader);
           
         int start = (curpage - 1) * pageSize;
           
         Analyzer analyzer = new IKAnalyzer(true);
         QueryParser queryParser = new QueryParser(Version.LUCENE_36, filed, analyzer);
         queryParser.setDefaultOperator(QueryParser.AND_OPERATOR);
         Query query = queryParser.parse(keyWord);
           
         int hm = start + pageSize;
         TopScoreDocCollector res = TopScoreDocCollector.create(hm, false);
         searcher.search(query, res);
           
         SimpleHTMLFormatter simpleHTMLFormatter = new SimpleHTMLFormatter("<span style='color:red'>", "</span>");
         Highlighter highlighter = new Highlighter(simpleHTMLFormatter, new QueryScorer(query));
           
         long amount = res.getTotalHits();
         //long pages = (rowCount - 1) / pageSize + 1; //计算总页数
           
         map.put("amount",amount);//总共多少条记录
           
         TopDocs tds = res.topDocs(start, pageSize);
         ScoreDoc[] sd = tds.scoreDocs;
           
         for (int i = 0; i < sd.length; i++) {
             Document doc = searcher.doc(sd[i].doc);
             String temp=doc.get("name");
             //做高亮处理
             TokenStream ts = analyzer.tokenStream("name", new StringReader(temp));
               
             SerachResult record=new SerachResult();
             String name = highlighter.getBestFragment(ts,temp);
             String skydirverName=doc.get("skydirverName");
             String username=doc.get("username");
             String shareTime=doc.get("shareTime");
             String describ=doc.get("describ");
             String typeId=doc.get("typeId");
             String id=doc.get("id");
             String url=doc.get("url");
               
             record.setName(name);
             record.setSkydriverName(skydirverName);
             record.setUsername(username);
             record.setShareTime(DateFormater.getFormatDate(shareTime,"yyyy-MM-dd HH:mm:ss"));
             record.setDescrib(describ);
             record.setTypeId(Integer.parseInt(typeId));
             record.setId(new BigInteger(id));
             record.setUrl(url);
             list.add(record);
               
             /*System.out.println("name:"+name);
             System.out.println("skydirverName:"+skydirverName);
             System.out.println("username:"+username);
             System.out.println("shareTime:"+shareTime);
             System.out.println("describ:"+describ);
             System.out.println("typeId:"+typeId);
             System.out.println("id:"+id);
             System.out.println("url:"+url);*/
         }
         map.put("source",list);
         return map;
     }
       
     /**
      * 根据前缀查询
      * @Author haoning
      */
     public void prefixSearch(String filedStr,String queryStr) throws Exception{
         File indexDir = new File(DISC_URL); 
         //索引目录 
         Directory dir=FSDirectory.open(indexDir); 
         //根据索引目录创建读索引对象 
         IndexReader reader = IndexReader.open(dir); 
         //搜索对象创建 
         IndexSearcher searcher = new IndexSearcher(reader);
           
         Term term = new Term(filedStr, queryStr);
         Query query = new PrefixQuery(term);
           
         ScoreDoc[] docs = searcher.search(query, 3).scoreDocs;
         printScoreDoc(docs, searcher);
     }
       
     /**
      * 通配符查询
      * @Author haoning
      */
     public void wildcardSearch(String filedStr,String queryStr) throws Exception{
         File indexDir = new File(DISC_URL); 
         //索引目录 
         Directory dir=FSDirectory.open(indexDir); 
         //根据索引目录创建读索引对象 
         IndexReader reader = IndexReader.open(dir); 
         //搜索对象创建 
         IndexSearcher searcher = new IndexSearcher(reader);
           
         Term term = new Term(filedStr, queryStr);
         Query query = new WildcardQuery(term);
         ScoreDoc[] docs = searcher.search(query, 3).scoreDocs;
         printScoreDoc(docs, searcher);
     }
       
     /**
      * 分词查询
      * @Author haoning
      */
     public void analyzerSearch(String filedStr,String queryStr) throws Exception{
         File indexDir = new File(DISC_URL); 
         //索引目录 
         Directory dir=FSDirectory.open(indexDir); 
         //根据索引目录创建读索引对象 
         IndexReader reader = IndexReader.open(dir); 
         //搜索对象创建 
         IndexSearcher searcher = new IndexSearcher(reader);
           
         QueryParser queryParser = new QueryParser(version, filedStr, analyzer);
         Query query = queryParser.parse(queryStr);
           
         ScoreDoc[] docs = searcher.search(query, 3).scoreDocs;
         printScoreDoc(docs, searcher);
     }
       
     /**
      * 多属性分词查询
      * @Author haoning
      */
     public void multiAnalyzerSearch(String[] filedStr,String queryStr) throws Exception{
         File indexDir = new File(DISC_URL); 
         //索引目录 
         Directory dir=FSDirectory.open(indexDir); 
         //根据索引目录创建读索引对象 
         IndexReader reader = IndexReader.open(dir); 
         //搜索对象创建 
         IndexSearcher searcher = new IndexSearcher(reader);
         QueryParser queryParser = new MultiFieldQueryParser(version, filedStr, analyzer);
         Query query = queryParser.parse(queryStr);
           
         ScoreDoc[] docs = searcher.search(query, 3).scoreDocs;
         printScoreDoc(docs, searcher);
     }
       
     public void printScoreDoc(ScoreDoc[] docs,IndexSearcher searcher)throws Exception{
         for (int i = 0; i < docs.length; i++) {
             List<Fieldable> list = searcher.doc(docs[i].doc).getFields();
             for (Fieldable fieldable : list) {
                 String fieldName = fieldable.name();
                 String fieldValue = fieldable.stringValue();
                 System.out.println(fieldName+" : "+fieldValue);
             }
         }
     }
    }
    

    注意由于去转盘网是部署到 linux 上的,所以 DISC_URL 可以更具系统变换,我是通过 url 来判定索引文件是否唯一的,你可以更具 id 来判断,具体情况具体对待吧。 注:这是楼主在 V2EX 上发的第二篇技术贴,可惜还是受字数限制只能写一半,老规矩,要看去博客园看吧,链接如下:http://www.cnblogs.com/huangxie/p/5473273.html 你可以在一个 applicationic 程序中开始索引,也可以写个定时器来定时索引,看需求。以上代码是楼主幸苦的作品,转载请不要改动,本人确保代码完全可用。本人建个 qq 群,欢迎大家一起交流技术, 群号: 512245829 喜欢微博的朋友关注:转盘娱乐即可

    16 条回复    2016-08-23 20:34:58 +08:00
    shoumu
        1
    shoumu  
       2016-08-22 10:18:19 +08:00
    你在做分词呢,还是在做检索。。。
    3023369823
        2
    3023369823  
    OP
       2016-08-22 10:43:17 +08:00
    @shoumu 检索的前提是分词,哈哈,都做了,看来是个行家,顶你
    EPr2hh6LADQWqRVH
        3
    EPr2hh6LADQWqRVH  
       2016-08-22 10:56:58 +08:00
    IK 我记得基本就没有算法可言。。就是查词典,仅此而已。。。
    基于 CRF 的 ansj 是相当有水平的,
    jieba 里面有不知道从哪搞到的 IDF 信息,
    lz 可以考虑替换一下。
    Asan
        4
    Asan  
       2016-08-22 11:06:54 +08:00
    代码放 GitHub 上吧
    3023369823
        5
    3023369823  
    OP
       2016-08-22 11:13:02 +08:00
    @avastms 你说的对,说算法是有点牵强了,但是名字是改不了了,就先这样吧,谢谢你的指正
    3023369823
        6
    3023369823  
    OP
       2016-08-22 11:13:39 +08:00
    @Asan 好的,有时间弄下
    Lucups
        7
    Lucups  
       2016-08-22 14:22:23 +08:00
    我觉得基于统计的中文分词云服务才是未来啊
    3023369823
        8
    3023369823  
    OP
       2016-08-22 15:03:14 +08:00
    @Lucups 不是一般人能搞的,哈哈,看看人家百度, google 是否放接口
    jason19659
        9
    jason19659  
       2016-08-22 17:33:11 +08:00
    .....
    hinkal
        10
    hinkal  
       2016-08-22 20:05:14 +08:00 via Android
    斯坦福中文分词不是开源吗
    3023369823
        11
    3023369823  
    OP
       2016-08-22 21:40:51 +08:00
    @hinkal lucene 就是开源的
    tausi0661
        12
    tausi0661  
       2016-08-23 08:43:13 +08:00
    @3023369823 lucene 是索引框架不是中文切词的. 你用的 IK 才是切词. 很多年前还用过一个叫庖丁解牛的:D 可惜和 IK 一样貌似已经不维护了.
    http://git.oschina.net/zhzhenqin/paoding-analysis
    3023369823
        13
    3023369823  
    OP
       2016-08-23 11:33:52 +08:00
    你说的没错,是这样的
    3023369823
        14
    3023369823  
    OP
       2016-08-23 12:11:40 +08:00
    @tausi0661 你说的没错,是这样的
    hantsy
        15
    hantsy  
       2016-08-23 20:25:58 +08:00
    IKAnalyzer 以前用过一次,一样的中文可以分出不同结果。结果不用了,还是直接中文关键字匹配就行了。
    3023369823
        16
    3023369823  
    OP
       2016-08-23 20:34:58 +08:00
    @hantsy 中文关键字匹配很多匹配不到,你用的是不旧版本,[去转盘]( http://www.quzhuanpan.com),效果很不错嘛
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   967 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 29ms · UTC 20:17 · PVG 04:17 · LAX 12:17 · JFK 15:17
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.