Solr通过特殊字符分词实现自定义分词器详解

Solr通过特殊字符分词实现自定义分词器详解

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http://下面这种类似：

分词思路

在Solr的schema.xml文件中，有这样的配置

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：

org.apache.solr

solr-core

6.0.0

参http://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 RULE_NAMES = Arrays.asList(RULE_JAVA, RULE_UNICODE);

private final String rule;

/** Creates a new MyVerticalLineTokenizerFactory */

public MyVerticalLineTokenizerFactory(Map 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 MyVerticalLinebmKxGETokenizer 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

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，谢谢大家对我们的支持。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。