Lucene-2.2.0 源代码阅读学习(7)

CharTokenizer是一个抽象类，它主要是对西文字符进行分词处理的。常见的英文中，是以空格、标点为分隔符号的，在分词的时候，就是以这些分隔符作为分词的间隔符的。

package org.apache.lucene.analysis;

import java.io.IOException;import java.io.Reader;

// CharTokenizer 是一个抽象类public abstract class CharTokenizer extends Tokenizer {public CharTokenizer(Reader input) {    super(input);}

private int offset = 0, bufferIndex = 0, dataLen = 0;private static final int MAX_WORD_LEN = 255;private static final int IO_BUFFER_SIZE = 1024;private final char[] buffer = new char[MAX_WORD_LEN];private final char[] ioBuffer = new char[IO_BUFFER_SIZE];

protected abstract boolean isTokenChar(char c);

// 对字符进行处理，可以在CharTokenizer 的子类中实现protected char normalize(char c) {    return c;}

// 这个是核心部分，返回分词后的词条public final Token next() throws IOException {    int length = 0;    int start = offset;    while (true) {      final char c;

      offset++;      if (bufferIndex >= dataLen) {        dataLen = input.read(ioBuffer);        bufferIndex = 0;      }      ;      if (dataLen == -1) {        if (length > 0)          break;        else          return null;      } else        c = ioBuffer[bufferIndex++];

      if (isTokenChar(c)) {               // if it's a token char

        if (length == 0)              // start of token          start = offset - 1;

        buffer[length++] = normalize(c); // buffer it, normalized

        if (length == MAX_WORD_LEN)     // buffer overflow!          break;

      } else if (length > 0)             // at non-Letter w/ chars        break;                           // return 'em

    }

    return new Token(new String(buffer, 0, length), start, start + length);}}

实现CharTokenizer的具体类有3个，分别为：LetterTokenizer、RussianLetterTokenizer、WhitespaceTokenizer。

先看看LetterTokenizer类，其它的2个都是基于CharTokenizer的，而核心又是next() 方法：

package org.apache.lucene.analysis;

import java.io.Reader;

// 只要读取到非字符的符号，就分词

public class LetterTokenizer extends CharTokenizer {public LetterTokenizer(Reader in) {    super(in);}

  protected boolean isTokenChar(char c) {    return Character.isLetter(c);}}

做个测试就可以看到：

package org.shirdrn.lucene;

import java.io.IOException;import java.io.Reader;import java.io.StringReader;

import org.apache.lucene.analysis.LetterTokenizer;

public class LetterTokenizerTest {

public static void main(String[] args) {   Reader reader = new StringReader("That's a world,I wonder why.");   LetterTokenizer ct = new LetterTokenizer(reader);    try {    System.out.println(ct.next());   } catch (IOException e) {    e.printStackTrace();   }}

}

运行结果如下：

(That,0,4)

在分词过程中，遇到了单引号，就把单引号之前的作为一个词条返回。

可以验证一下，把构造的Reader改成下面的形式：

Reader reader = new StringReader("ThatisaworldIwonderwhy.");

输出结果为：

(ThatisaworldIwonderwhy,0,22)

没有非字符的英文字母串就可以作为一个词条，一个词条长度的限制为255个字符，可以在CharTokenizer抽象类中看到定义：

private static final int MAX_WORD_LEN = 255;