【lucene系列學習四】使用IKAnalyzer分詞器實現敏感詞和停用詞過濾

Lucene自帶的中文分詞器SmartChineseAnalyzer不太好擴展，於是我用了IKAnalyzer來進行敏感詞和停用詞的過濾。

首先，下載IKAnalyzer,我下載了

然后，由於IKAnalyzer已經很久不更新了，不兼容現在的Lucene6版本，所以我參考網上的資料，重寫了IKTokenizer和IKAnalyzer兩個類。

package kidsearch;
import java.io.IOException;
import java.io.Reader;

import org.apache.lucene.analysis.Tokenizer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;
import org.apache.lucene.analysis.tokenattributes.TypeAttribute;
import org.wltea.analyzer.core.IKSegmenter;
import org.wltea.analyzer.core.Lexeme;

public class MyIKTokenizer extends Tokenizer {
    // IK分詞器實現
    private IKSegmenter _IKImplement;

    // 詞元文本屬性
    private final CharTermAttribute termAtt;
    // 詞元位移屬性
    private final OffsetAttribute offsetAtt;
    // 詞元分類屬性（該屬性分類參考org.wltea.analyzer.core.Lexeme中的分類常量）
    private final TypeAttribute typeAtt;
    // 記錄最后一個詞元的結束位置
    private int endPosition;

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

    public MyIKTokenizer(Reader in, boolean useSmart) {
        offsetAtt = addAttribute(OffsetAttribute.class);
        termAtt = addAttribute(CharTermAttribute.class);
        typeAtt = addAttribute(TypeAttribute.class);
        _IKImplement = new IKSegmenter(input, useSmart);
    }

    @Override
    public boolean incrementToken() throws IOException {
        // 清除所有的詞元屬性
        clearAttributes();
        Lexeme nextLexeme = _IKImplement.next();
        if (nextLexeme != null) {
            // 將Lexeme轉成Attributes
            // 設置詞元文本
            termAtt.append(nextLexeme.getLexemeText());
            // 設置詞元長度
            termAtt.setLength(nextLexeme.getLength());
            // 設置詞元位移
            offsetAtt.setOffset(nextLexeme.getBeginPosition(),
                    nextLexeme.getEndPosition());
            // 記錄分詞的最后位置
            endPosition = nextLexeme.getEndPosition();
            // 記錄詞元分類
            typeAtt.setType(String.valueOf(nextLexeme.getLexemeType()));
            // 返會true告知還有下個詞元
            return true;
        }
        // 返會false告知詞元輸出完畢
        return false;
    }

    public void reset() throws IOException {
        super.reset();
        _IKImplement.reset(input);
    }

    @Override
    public final void end() {
        // set final offset
        int finalOffset = correctOffset(this.endPosition);
        offsetAtt.setOffset(finalOffset, finalOffset);
    }

}

package kidsearch;
import java.io.Reader;
import java.io.StringReader;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.util.IOUtils;
import kidsearch.MyIKTokenizer;
public class MyIkAnalyzer extends Analyzer {

    @Override
    protected TokenStreamComponents createComponents(String arg0) {
        Reader reader=null;
        try{
            reader=new StringReader(arg0);
            MyIKTokenizer it = new MyIKTokenizer(reader);
            return new Analyzer.TokenStreamComponents(it);
        }finally {
            IOUtils.closeWhileHandlingException(reader);
        }
    }

}

參考的博客里有一部分是錯誤的

於是我又下載了IKAnalyzer的源碼，仔細看了一下Lexeme.java，發現沒有這個方法，只有getLexemeType，而且返回值是int,於是自己做了點小改動，終於編譯通過了！

值得注意的是，MyIKTokenizer里

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

true為選擇智能划分（北京師范大學），而false為最細粒度划分（北京師范大學，北京，京師，師范大學，師范，大學）。

最后，要配置自己的停用詞和敏感詞。

自定義詞典一定要使用UTF-8無BOM編碼，否則不能實現過濾功能。

然后，在配置文件IKAnalyzer.cfg.xml里配置自定義詞典

最后，分別把所有的自定義詞典和IKAnalyzer.cfg.xml加到工程里的src（為了保險起見，我又把他們加到了bin里，IK的jar包里也加了）。

為了測試停用詞的效果，可以自己寫幾個小程序。

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

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.wltea.analyzer.cfg.Configuration;
import org.wltea.analyzer.cfg.DefaultConfig;
import org.wltea.analyzer.core.IKSegmenter;
import org.wltea.analyzer.core.Lexeme;
import org.wltea.analyzer.lucene.IKAnalyzer;

public class OwnIKAnalyzer {
    public static void main(String[] args) throws IOException {  
        String text="我有一個紅紅的蘋果";
        StringReader sr=new StringReader(text);  
    //    IKSegmenter ik=new IKSegmenter(sr, true);  
        IKSegmenter ik=new IKSegmenter(sr,true); 
        Lexeme lex=null;  
        while((lex=ik.next())!=null){  
            System.out.print(lex.getLexemeText()+"，");  
        }  
//        String text = "這是一個紅紅的蘋果";  
//        Configuration configuration = DefaultConfig.getInstance();  
//        configuration.setUseSmart(true);  
//        IKSegmenter ik = new IKSegmenter(new StringReader(text), configuration);  
//        Lexeme lexeme = null;  
//        while ((lexeme = ik.next()) != null) {  
//            System.out.println(lexeme.getLexemeText());  
        }  
    }  

測試結果為：（詞典里並沒有過濾“我”）

另外，IKAnalyzer可以配置自己的擴展詞典，比如“你的名字”本來會被分詞為“你，的，名字”,但是在ext.dic里加入“你的名字”后就是一個完整的整體，不會被切分了！

關於IKAnalyzer詞語過濾的功能今天就做了多，以后還會繼續補充~