Lucene-2.2.0 源代码阅读学习(8)

Lucene分析器的实现。

Lucene(分词)过滤器TokenFilter类，以及继承它的子类的实现类。

TokenFilter类的继承关系，如图所示：

TokenFilter是一个抽象类，定义了对一个经过分词(Tokenizer)后的TokenStream进行过滤的功能，它的源代码如下所示：

package org.apache.lucene.analysis;

import java.io.IOException;

public abstract class TokenFilter extends TokenStream {// 通过输入一个TokenStreamprotected TokenStream input;

protected TokenFilter(TokenStream input) {    this.input = input;}

public void close() throws IOException {    input.close();}}

ChineseFilter中文过滤器类：

package org.apache.lucene.analysis.cn;

import java.util.Hashtable;import org.apache.lucene.analysis.*;

    // 中文过滤器，包含了含有外文字符的情况，因为中文搜索的关键字可能是：中文+外文

public final class ChineseFilter extends TokenFilter {

    // 这里给出了英文的终止词汇，如果直接调用根本对中文没有过滤作用，或者也可以在此添加终止词汇，比如：“也、了、啊、吧、呵……”等等一些助词叹词，因为这些词语对于检索没有意义    public static final String[] STOP_WORDS = {    "and", "are", "as", "at", "be", "but", "by",    "for", "if", "in", "into", "is", "it",    "no", "not", "of", "on", "or", "such",    "that", "the", "their", "then", "there", "these",    "they", "this", "to", "was", "will", "with"    };

    private Hashtable stopTable;

    // 构造函数，初始化一个终止词汇表 (过滤掉的词汇)  

   public ChineseFilter(TokenStream in) {        super(in);

        stopTable = new Hashtable(STOP_WORDS.length);        for (int i = 0; i < STOP_WORDS.length; i++)            stopTable.put(STOP_WORDS[i], STOP_WORDS[i]);    }

    // 如果stopTable为空，说明该过滤类根本没有进行过滤，直接将读入的词条(Token)返回

    public final Token next() throws java.io.IOException {

        for (Token token = input.next(); token != null; token = input.next()) {            String text = token.termText(); // 获取分词后词条的内容

          // 这里，如果chineseChar是单个字，则Character.getType(chineseChar)返回的类型值为5；大写英文字符类型值为1，小写字符类型值为2            if (stopTable.get(text) == null) { // 如果分词后的词条内容没有出现在过滤列表stopTable中                switch (Character.getType(text.charAt(0))) {

                case Character.LOWERCASE_LETTER:                case Character.UPPERCASE_LETTER:

                    // 如果英文词条不是单个字符                    if (text.length()>1) {                        return token;                    }                    break;                case Character.OTHER_LETTER:

                    // 如果中文的过滤词汇表中是单个字的形式，则若是一个词汇中有一个字出现在stopTable中，那么整个词条都被过滤掉了。这是不合理的；所以只要把stopTable设置为空就可以实现，即不对分词的词条进行过滤                    // 也可以在这里添加对词条的限制，来实现过滤

                    return token;                }

            }

        }        return null;    }

}

再看一个限制词条长度的过滤器类：

package org.apache.lucene.analysis;

import java.io.IOException;

// 词条过长或者过短，则过滤掉public final class LengthFilter extends TokenFilter {

final int min;final int max;

// 构造函数，初始化此条长度上限和下限public LengthFilter(TokenStream in, int min, int max){    super(in);    this.min = min;    this.max = max;}

// 返回长度在min与max之间的词条public final Token next() throws IOException{    for (Token token = input.next(); token != null; token = input.next())    {      int len = token.termText().length();      if (len >= min && len <= max) {          return token;      }      // note: else we ignore it but should we index each part of it?    }

    return null;}}

可见，过滤器的目的就是对分词获得的词条的一些属性信息进行过滤，原则是：这些属性信息对检索没有实际意义。通过阅读标准过滤器类，再综合各种需要，我们就能根据自己的需要实现词条的过滤。Lucene包里给出的标准过滤器类。其实是对英文字符过滤的的，源代码如下：

package org.apache.lucene.analysis.standard;

import org.apache.lucene.analysis.*;

public final class StandardFilter extends TokenFilterimplements StandardTokenizerConstants {

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

// APOSTROPHE、ACRONYM等都是在一个常量接口类StandardTokenizerConstants里定义的常量，分别代表在过滤中可能要对其进行处理的字符

private static final String APOSTROPHE_TYPE = tokenImage[APOSTROPHE];private static final String ACRONYM_TYPE = tokenImage[ACRONYM];// 如果词条不空，进行处理后返回经过过滤处理后的词条public final org.apache.lucene.analysis.Token next() throws java.io.IOException {    org.apache.lucene.analysis.Token t = input.next();

    if (t == null)      return null;

    String text = t.termText();    String type = t.type();

// 英文中的 's或'S对检索意义不大，可以删除掉    if (type == APOSTROPHE_TYPE &&    (text.endsWith("'s") || text.endsWith("'S"))) {      return new org.apache.lucene.analysis.Token(text.substring(0,text.length()-2),t.startOffset(), t.endOffset(), type);

    } else if (type == ACRONYM_TYPE) {    // 对“圆点”进行处理，直接把出现的“圆点”删除掉，保留其它字符      StringBuffer trimmed = new StringBuffer();      for (int i = 0; i < text.length(); i++) {char c = text.charAt(i);if (c != '.')   trimmed.append(c);      }      return new org.apache.lucene.analysis.Token(trimmed.toString(), t.startOffset(), t.endOffset(), type);

    } else {      return t;    }}}

常量接口类StandardTokenizerConstants 定义如下：

package org.apache.lucene.analysis.standard;

public interface StandardTokenizerConstants {

int EOF = 0;int ALPHANUM = 1;int APOSTROPHE = 2;int ACRONYM = 3;int COMPANY = 4;int EMAIL = 5;int HOST = 6;int NUM = 7;int P = 8;int HAS_DIGIT = 9;int ALPHA = 10;int LETTER = 11;int CJ = 12;int KOREAN = 13;int DIGIT = 14;int NOISE = 15;

int DEFAULT = 0;

String[] tokenImage = {    "<EOF>",    "<ALPHANUM>",    "<APOSTROPHE>",    "<ACRONYM>",    "<COMPANY>",    "<EMAIL>",    "<HOST>",    "<NUM>",    "<P>",    "<HAS_DIGIT>",    "<ALPHA>",    "<LETTER>",    "<CJ>",    "<KOREAN>",    "<DIGIT>",    "<NOISE>",};}

还有一个org.apache.lucene.analysis.StopFilter类，和ChineseFilter类的实现很相似，只是这里把过滤字符列表是初始化一个StopFilter过滤器的时候指定的，而且该类实现了对过滤字符类表中字符进行转换的功能。

我感觉，最应该好好研究的是关于同义词的过滤问题。Lucene包中给了一个org.apache.lucene.index.memory.SynonymTokenFilter过滤类，比较复杂，因为这里面涉及到了一个重要的类：org.apache.lucene.index.memory.SynonymMap。通过研究对英文中同义词的过滤，来考虑中文同义词过滤的问题。