java - 如何从 Lucene TokenStream 中获取 Token？

Question

我正在尝试使用 Apache Lucene 进行标记，我对从 TokenStream 获取 token 的过程感到困惑。

最糟糕的是，我正在查看 JavaDocs 中解决我问题的评论。

http://lucene.apache.org/java/3_0_1/api/core/org/apache/lucene/analysis/TokenStream.html#incrementToken%28%29

不知何故，应该使用 AttributeSource，而不是 Token。我完全不知所措。

谁能解释如何从 TokenStream 中获取类似 token 的信息？

Answer 1

是的，这有点复杂(与好方法相比)，但应该这样做:

TokenStream tokenStream = analyzer.tokenStream(fieldName, reader);
OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class);
TermAttribute termAttribute = tokenStream.getAttribute(TermAttribute.class);

while (tokenStream.incrementToken()) {
    int startOffset = offsetAttribute.startOffset();
    int endOffset = offsetAttribute.endOffset();
    String term = termAttribute.term();
}

编辑:新方式

根据 Donotello 的说法，TermAttribute 已被弃用，取而代之的是 CharTermAttribute。根据 jpountz(和 Lucene 的文档)，addAttribute 比 getAttribute 更可取。

TokenStream tokenStream = analyzer.tokenStream(fieldName, reader);
OffsetAttribute offsetAttribute = tokenStream.addAttribute(OffsetAttribute.class);
CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);

tokenStream.reset();
while (tokenStream.incrementToken()) {
    int startOffset = offsetAttribute.startOffset();
    int endOffset = offsetAttribute.endOffset();
    String term = charTermAttribute.toString();
}