【lucene系列学习四】使用IKAnalyzer分词器实现敏感词和停用词过滤

Lucene自带的中文分词器SmartChineseAnalyzer不太好扩展，于是我用了IKAnalyzer来进行敏感词和停用词的过滤。

然后，由于IKAnalyzer已经很久不更新了，不兼容现在的Lucene6版本，所以我参考网上的资料，重写了IKTokenizer和IKAnalyzer两个类。

 1 package kidsearch;
 2 import java.io.IOException;
 3 import java.io.Reader;
 4 
 5 import org.apache.lucene.analysis.Tokenizer;
 6 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
 7 import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;
 8 import org.apache.lucene.analysis.tokenattributes.TypeAttribute;
 9 import org.wltea.analyzer.core.IKSegmenter;
10 import org.wltea.analyzer.core.Lexeme;
11 
12 public class MyIKTokenizer extends Tokenizer {
13     // IK分词器实现
14     private IKSegmenter _IKImplement;
15 
16     // 词元文本属性
17     private final CharTermAttribute termAtt;
18     // 词元位移属性
19     private final OffsetAttribute offsetAtt;
20     // 词元分类属性（该属性分类参考org.wltea.analyzer.core.Lexeme中的分类常量）
21     private final TypeAttribute typeAtt;
22     // 记录最后一个词元的结束位置
23     private int endPosition;
24 
25     public MyIKTokenizer(Reader in) {
26         this(in, true);
27     }
28 
29     public MyIKTokenizer(Reader in, boolean useSmart) {
30         offsetAtt = addAttribute(OffsetAttribute.class);
31         termAtt = addAttribute(CharTermAttribute.class);
32         typeAtt = addAttribute(TypeAttribute.class);
33         _IKImplement = new IKSegmenter(input, useSmart);
34     }
35 
36     @Override
37     public boolean incrementToken() throws IOException {
38         // 清除所有的词元属性
39         clearAttributes();
40         Lexeme nextLexeme = _IKImplement.next();
41         if (nextLexeme != null) {
42             // 将Lexeme转成Attributes
43             // 设置词元文本
44             termAtt.append(nextLexeme.getLexemeText());
45             // 设置词元长度
46             termAtt.setLength(nextLexeme.getLength());
47             // 设置词元位移
48             offsetAtt.setOffset(nextLexeme.getBeginPosition(),
49                     nextLexeme.getEndPosition());
50             // 记录分词的最后位置
51             endPosition = nextLexeme.getEndPosition();
52             // 记录词元分类
53             typeAtt.setType(String.valueOf(nextLexeme.getLexemeType()));
54             // 返会true告知还有下个词元
55             return true;
56         }
57         // 返会false告知词元输出完毕
58         return false;
59     }
60 
61     public void reset() throws IOException {
62         super.reset();
63         _IKImplement.reset(input);
64     }
65 
66     @Override
67     public final void end() {
68         // set final offset
69         int finalOffset = correctOffset(this.endPosition);
70         offsetAtt.setOffset(finalOffset, finalOffset);
71     }
72 
73 }

MyIKTokenizer

 1 package kidsearch;
 2 import java.io.Reader;
 3 import java.io.StringReader;
 4 
 5 import org.apache.lucene.analysis.Analyzer;
 6 import org.apache.lucene.util.IOUtils;
 7 import kidsearch.MyIKTokenizer;
 8 public class MyIkAnalyzer extends Analyzer {
 9 
10     @Override
11     protected TokenStreamComponents createComponents(String arg0) {
12         Reader reader=null;
13         try{
14             reader=new StringReader(arg0);
15             MyIKTokenizer it = new MyIKTokenizer(reader);
16             return new Analyzer.TokenStreamComponents(it);
17         }finally {
18             IOUtils.closeWhileHandlingException(reader);
19         }
20     }
21 
22 }

MyIKAnalyzer

参考的博客里有一部分是错误的

于是我又下载了IKAnalyzer的源码，仔细看了一下Lexeme.java，发现没有这个方法，只有getLexemeType，而且返回值是int,于是自己做了点小改动，终于编译通过了！

值得注意的是，MyIKTokenizer里

1 public MyIKTokenizer(Reader in) {
2         this(in, true);
3     }

View Code

true为选择智能划分（北京师范大学），而false为最细粒度划分（北京师范大学，北京，京师，师范大学，师范，大学）。

最后，要配置自己的停用词和敏感词。

自定义词典一定要使用UTF-8无BOM编码，否则不能实现过滤功能。

然后，在配置文件IKAnalyzer.cfg.xml里配置自定义词典

最后，分别把所有的自定义词典和IKAnalyzer.cfg.xml加到工程里的src（为了保险起见，我又把他们加到了bin里，IK的jar包里也加了）。

为了测试停用词的效果，可以自己写几个小程序。

 1 import java.io.IOException;
 2 import java.io.StringReader;
 3 
 4 import org.apache.lucene.analysis.Analyzer;
 5 import org.apache.lucene.analysis.TokenStream;
 6 import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
 7 import org.wltea.analyzer.cfg.Configuration;
 8 import org.wltea.analyzer.cfg.DefaultConfig;
 9 import org.wltea.analyzer.core.IKSegmenter;
10 import org.wltea.analyzer.core.Lexeme;
11 import org.wltea.analyzer.lucene.IKAnalyzer;
12 
13 public class OwnIKAnalyzer {
14     public static void main(String[] args) throws IOException {  
15         String text="我有一个红红的苹果";
16         StringReader sr=new StringReader(text);  
17     //    IKSegmenter ik=new IKSegmenter(sr, true);  
18         IKSegmenter ik=new IKSegmenter(sr,true); 
19         Lexeme lex=null;  
20         while((lex=ik.next())!=null){  
21             System.out.print(lex.getLexemeText()+"，");  
22         }  
23 //        String text = "这是一个红红的苹果";  
24 //        Configuration configuration = DefaultConfig.getInstance();  
25 //        configuration.setUseSmart(true);  
26 //        IKSegmenter ik = new IKSegmenter(new StringReader(text), configuration);  
27 //        Lexeme lexeme = null;  
28 //        while ((lexeme = ik.next()) != null) {  
29 //            System.out.println(lexeme.getLexemeText());  
30         }  
31     }

View Code

测试结果为：（词典里并没有过滤“我”）

另外，IKAnalyzer可以配置自己的扩展词典，比如“你的名字”本来会被分词为“你，的，名字”,但是在ext.dic里加入“你的名字”后就是一个完整的整体，不会被切分了！

关于IKAnalyzer词语过滤的功能今天就做了多，以后还会继续补充~