lucene 的分析器(analyzer)与分词器(tokenizer)和过滤器(tokenfilter)

作者:1987(lianj_lee)
www.dzxiaoshuo.com

好久没有写博客了，最近确实是有点忙。这几天在给IK做测试，很高兴，我能为IK做贡献，希望以后能继续。

正是由于给做测试工作，所以我就把关于lucene的分析器，过滤器和分词器这些东西温习了下，然后希望这个博客能给大家带来一定帮助。

还有我想从今天声明一下，欢迎大家转载我的博客，我希望给越来越多的人带来帮助，但是请务必注明作者， 1987(lianj_lee)

入正题：

1〉analyzer主要包含分词器跟过滤器，他的功能就是：将分词器跟分析器进行合理的组合，使之产生对文本分词和过滤效果。因此，分析器使用分词和过滤器构成一个管道，文本在“滤过”这个管道之后，就成为可以进入索引的最小单位。
2〉tokenizer主要用于对文本资源进行切分，将文本规则切分为一个个可以进入索引的最小单元
3〉tokenfilter主要对分词器切分的最小单位进入索引进行预处理，如：大写转小写，复数转单数，也可以复杂（根据语义改写拼写错误的单词）

附上lucene的部分类源码以讲解：

 

public abstract TokenStream tokenStream(String fieldName, Reader reader);//该抽象为子分析器扩展，后面会在说到

  public TokenStream reusableTokenStream(String fieldName, Reader reader) throws IOException {
    return tokenStream(fieldName, reader);
  }//这个是后来发行版本添加的，主要用途是：创建一个TokenStream，为了同一个线程重复使用，节省时间

  private CloseableThreadLocal tokenStreams = new CloseableThreadLocal();// 利用ThreadLocal 来达到在同一个线程重复使用。 这种应用很普遍，例如hibernate的session也是这种情况

  protected Object getPreviousTokenStream() {
    try {
      return tokenStreams.get();
    } catch (NullPointerException npe) {
      if (tokenStreams == null) {
        throw new AlreadyClosedException("this Analyzer is closed");
      } else {
        throw npe;
      }
    }
  }

  protected void setPreviousTokenStream(Object obj) {
    try {
      tokenStreams.set(obj);
    } catch (NullPointerException npe) {
      if (tokenStreams == null) {
        throw new AlreadyClosedException("this Analyzer is closed");
      } else {
        throw npe;
      }
    }
  }

  public int getPositionIncrementGap(String fieldName)
  {
    return 0;
  }

  public void close() {
    tokenStreams.close();
    tokenStreams = null;
  }

public TokenStream tokenStream(String fieldName, Reader reader) {
    StandardTokenizer tokenStream = new StandardTokenizer(reader, replaceInvalidAcronym);
    tokenStream.setMaxTokenLength(maxTokenLength);
    TokenStream result = new StandardFilter(tokenStream);
    result = new LowerCaseFilter(result);
    result = new StopFilter(result, stopSet);
    return result;
  }

StandardAnalyzer提供的实现，可以看到很简单，就是组合了分词跟过滤器，首先实例了StandardTokenizer()，然 后获得了tokenStream，将他传入过滤器，在这样的过程中，result没有发生任何改变，真正发生改变的是在建立索引或者搜索的时候，继续往下 看，

public StandardTokenizer(Reader input, boolean replaceInvalidAcronym) {
    this.replaceInvalidAcronym = replaceInvalidAcronym;
    this.input = input;
    this.scanner = new StandardTokenizerImpl(input);
  }

StandardTokenizerImpl的构造方法：

StandardTokenizerImpl(java.io.Reader in) {
    this.zzReader = in;
  }

StartdFilter的构造方法：

public StandardFilter(TokenStream in) {
    super(in);
  }

当建立索引或者搜索的时候，会调用由tokenStream方法返回的TokenStream的next()方法，也是这个时候真正的分词和过滤就开始了。
接着看，当第一调用next()方法时候，首先应该进入StopFilter的next，因为result = new StopFilter(result, stopSet);

public final Token next(final Token reusableToken) throws IOException {
    assert reusableToken != null;
    // return the first non-stop word found
    int skippedPositions = 0;
    for (Token nextToken = input.next(reusableToken); nextToken != null; nextToken = input.next(reusableToken)) {
      if (!stopWords.contains(nextToken.termBuffer(), 0, nextToken.termLength())) {
        if (enablePositionIncrements) {
          nextToken.setPositionIncrement(nextToken.getPositionIncrement() + skippedPositions);
        }
        return nextToken;
      }
      skippedPositions += nextToken.getPositionIncrement();
    }
    // reached EOS -- return null
    return null;
  }

在这里是调用input的next()，这个input是在初始化stopFilter时进行的，其实input初始化操作也就是也就是把以参数方式传入的result给input，这个result是流经上层的过滤器过来的，回过来看看吧

StandardTokenizer tokenStream = new StandardTokenizer(reader, replaceInvalidAcronym);
    tokenStream.setMaxTokenLength(maxTokenLength);
    TokenStream result = new StandardFilter(tokenStream);
    result = new LowerCaseFilter(result);
    result = new StopFilter(result, stopSet);

是LowerCaseFilter, 其实在LowerCaseFilter中，也是按照同样的道理，这样由底层往上层追溯，然后再向下层流，这也是lucene的架构经典之处。

还有在分词器这里，使用的是JAVACC生成的分词器，他的优越性在于简单性和可扩展性。