Lucene的分析過程

jopen 12年前發布 | 71K 次閱讀 Lucene 搜索引擎

Lucene的分析過程

回顧倒排索引的構建

Lucene的分析過程

  1. 收集待建索引的原文檔(Document)
  2. 將原文檔傳給詞條化工具(Tokenizer)進行文本詞條化
  3. 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)
  4. 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”，最后處理“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 tokenStreams = newCloseableThreadLocal(); 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

Lucene的分析過程

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。

Lucene的分析過程

 

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]

 

 

作者： God bless you

 本文由用戶 jopen 自行上傳分享，僅供網友學習交流。所有權歸原作者，若您的權利被侵害，請聯系管理員。
 轉載本站原創文章，請注明出處，并保留原始鏈接、圖片水印。
 本站是一個以用戶分享為主的開源技術平臺，歡迎各類分享！