簡述Lucene的分析過程
回顧倒排索引的構建
- 收集待建索引的原文檔(Document)
- 將原文檔傳給詞條化工具(Tokenizer)進行文本詞條化
- 將第二步得到的詞條(Token)傳給語言分析工具(Linguistic modules)進行語言學預處理，得到詞項(Term)
- 將得到的詞項(Term)傳給索引組件(Indexer),建立倒排索引
注：詳細文檔->倒排索引的理論過程見詞項詞典及倒排記錄表
分析操作的使用場景
1.如上，倒排索引的構建階段
2.針對自由文本的查詢階段
QueryParser parser = new QueryParser(Version.LUCENE_36, field, analyzer);
Query query = parser.parse(queryString);
lucene的Analyzer接收表達式queryString中連續的獨立的文本片段，但不會接收整個表達式。
例如：對查詢語句"president obama" + harvard + professor，QueryParser會3次調用分析器，首先是處理文本“president obama”，然后是文本“harvard”，***處理“professor”。
3.搜索結果中高亮顯示被搜索內容時（即結果摘要-Snippets的生成），也可能會用到分析操作
剖析lucene分析器
抽象類Analyzer
Analyzer類是一個抽象類，是所有分析器的基類。
其主要包含兩個接口，用于生成TokenStream（所謂TokenStream，后面我們會講到，是一個由分詞后的Token 結果組成的流，能夠不斷的得到下一個分成的Token。）。
接口：
1.TokenStream tokenStream(String fieldName, Reader reader)
2.TokenStream reusableTokenStream(String fieldName, Reader reader)
為了提高性能，使得在同一個線程中無需再生成新的TokenStream 對象，老的可以被重用，所以有reusableTokenStream 一說。
Analyzer 中有CloseableThreadLocal<Object> tokenStreams = newCloseableThreadLocal<Object>(); 成員變量， 保存當前線程原來創建過的TokenStream ， 可用函數setPreviousTokenStream 設定，用函數getPreviousTokenStream 得到。在reusableTokenStream 函數中，往往用getPreviousTokenStream 得到老的TokenStream 對象，然后將TokenStream 對象reset 一下，從而可以重新開始得到Token 流。
抽象類ReusableAnalyzerBase
ReusableAnalyzerBase extendsAnalyzer，顧名思義主要為tokenStream的重用。
其包含一個接口，用于生成TokenStreamComponents。
接口：
TokenStreamComponents createComponents(String fieldName,Reader reader);
reusableTokenStream的實現代碼分析：
- public final TokenStream reusableTokenStream(final String fieldName,
- final Reader reader) throws IOException {
- // 得到上一次使用的TokenStream
- TokenStreamComponents streamChain = (TokenStreamComponents)getPreviousTokenStream();
- final Reader r = initReader(reader);
- //如果沒有PreviousTokenStream則生成新的， 并且用setPreviousTokenStream放入成員變量，使得下一個可用。
- //如果上一次生成過TokenStream，則reset。reset失敗則生成新的。
- if (streamChain == null || !streamChain.reset(r)) {
- streamChain = createComponents(fieldName, r);
- setPreviousTokenStream(streamChain);
- }
- return streamChain.getTokenStream();
- }
內部static類TokenStreamComponents
簡單封裝輸入Tokenizer和輸出TokenStream。
最簡單的一個Analyzer：SimpleAnalyzer
SimpleAnalyzer extendsReusableAnalyzerBase，實現createComponents方法。TokenStream的處理是將字符串最小化，生成按照空格分隔的Token流
- protected TokenStreamComponents createComponents( final String fieldName,
- final Reader reader) {
- return new TokenStreamComponents(new LowerCaseTokenizer(matchVersion , reader));
- }
抽象類TokenStream
TokenStream 主要包含以下幾個方法：
1. boolean incrementToken()用于得到下一個Token。IndexWriter調用此方法推動Token流到下一個Token。實現類必須實現此方法并更新Attribute信息到下一個Token。
2. public void reset() 重設Token流到開始，使得此TokenStrean 可以重新開始返回各個分詞。
和原來的TokenStream返回一個Token 對象不同，Lucene 3.0 開始，TokenStream已經不返回Token對象了，那么如何保存下一個Token 的信息呢？
在Lucene 3.0 中，TokenStream 是繼承于AttributeSource，其包含Map，保存從class 到對象的映射，從而可以保存不同類型的對象的值。在TokenStream 中，經常用到的對象是CharTermAttributeImpl，用來保存Token 字符串；PositionIncrementAttributeImpl 用來保存位置信息；OffsetAttributeImpl 用來保存偏移量信息。所以當生成TokenStream 的時候， 往往調用CharTermAttribute tokenAtt = addAttribute(CharTermAttribute.class)將CharTermAttributeImpl添加到Map 中，并保存一個成員變量。在incrementToken() 中， 將下一個Token 的信息寫入當前的tokenAtt ， 然后使用CharTermAttributeImpl.buffer()得到Token 的字符串。
注：Lucene 3.1開始廢棄了TermAttribute和TermAttributeImpl，用CharTermAttribute和CharTermAttributeImpl代替。
Token attributes
如上述，Token的信息真正存在于各個AttributeImpl中，lucene內建的所有Attribute接口都在org.apache.lucene.analysis.tokenattributes包中。
Token attributes API的使用
1. 調用addAttribute（繼承于AttributeSource）方法，返回一個對應屬性接口的實現類，以獲得需要的屬性。
2. 遞歸TokenStream incrementToken()方法，遍歷Token流。當incrementToken返回true時，其中Token的屬性信息會將內部狀態修改為下個詞匯單元。
3. lucene內建Attribute接口都是可讀寫的，TokenStream 在遍歷Token流時，會調用Attribute接口的set方法，修改屬性信息。
lucene內建常用Attribute接口
1. CharTermAttribute 保存Token對應的term文本，Lucene 3.1開始用CharTermAttribute代替TermAttribute
2. FlagsAttribute 自定義標志位
3. OffsetAttribute startOffset是指Term的起始字符在原始文本中的位置，endOffset則表示Term文本終止字符的下一個位置。偏移量常用于搜索結果中高亮Snippets的生成
4. PayloadAttribute 保存有效負載
5. TypeAttribute 保存Token類型，默認為"word"，實際中可根據Term的詞性來做自定義操作
6. PositionIncrementAttribute
保存相對于前一個Term的位置信息，默認值設為1，表示所有的Term都是連續的，在位置上是一個接一個的。如果位置增量大于1，則表示Term之間有空隙，可以用這個空隙來表示被刪除的Term項（如停用詞）。位置增量為0，則表示該Term項與前一個Term項在相同的位置上，0增量常用來表示詞項之間是同義詞。位置增量因子會直接影響短語查詢和跨度查詢，因為這些查詢需要知道各個Term項之間的距離。
注：并不是所有的Attribute信息都會保存在索引中，很多Attribute信息只在分析過程使用，Term進索引后部分Attribute信息即丟棄。（如TypeAttribute、FlagsAttribute在索引階段都會被丟棄）
Lucene Token流 揭秘
lucene Token流的生成，主要依賴TokenStream 的兩個子類Tokenizer和TokenFilter
Tokenizer類的主要作用：接收Read對象，讀取字符串進行分詞并創建Term項。
TokenFilter類使用裝飾者模式（lucene in action中作者寫的是組合模式，本人竊以為應該是裝飾者模式），封裝另一個TokenStream類，主要負責處理輸入的Token項，然后通過新增、刪除或修改Attribute的方式來修改Term流。
如上圖，當Analyzer從它的tokenStream方法或者reusableTokenStream方法返回tokenStream對象后，它就開始用一個Tokenizer對象創建初始Term序列，然后再鏈接任意數量的TokenFilter來修改這些Token流。這被稱為分析器鏈（analyzer chain）。
一個簡單的Analyzer：StopAnalyzer
- protected TokenStreamComponents createComponents(String fieldName,
- Reader reader) {
- //LowerCaseTokenizer接收Reader，根據Character.isLetter(char)來進行分詞，并轉換為字符小寫
- final Tokenizer source = new LowerCaseTokenizer(matchVersion , reader);
- //只有一個分析器鏈StopFilter，來去除停用詞
- return new TokenStreamComponents(source, new StopFilter(matchVersion ,
- source, stopwords));
- }
StopAnalyzer測試
- String text = "The quick brown fox jumped over the lazy dog";
- System. out.println("Analyzing \"" + text + "\"");
- Analyzer analyzer = new StopAnalyzer(Version.LUCENE_36);
- String name = analyzer.getClass().getSimpleName();
- System. out.println("" + name + ":");
- System. out.print("" );
- AnalyzerUtils. displayTokens(analyzer, text);
- System. out.println("\n" );
結果輸出
Analyzing "The quick brown fox jumped over the lazy dog"
StopAnalyzer:
[quick] [brown] [fox] [jumped] [over] [lazy] [dog]
原文鏈接：http://www.cnblogs.com/lori/archive/2012/08/24/2654275.html
【編輯推薦】
