- Java 双重比较
- java - 比较器与 Apache BeanComparator
- Objective-C 完成 block 导致额外的方法调用?
- database - RESTful URI 是否应该公开数据库主键?
有很多示例展示了如何像这样使用 StandardTokenizer:
TokenStream tokenStream = new StandardTokenizer(
Version.LUCENE_36, new StringReader(input));
但在较新的 Lucene 版本中,此构造函数不可用。新的构造函数如下所示:
StandardTokenizer(AttributeFactory factory)
这个 AttributeFactory 的作用是什么?我如何在较新版本的 Lucene 中标记字符串?
最佳答案
AttributeFactory
创建AttributeImpl
s 是 Attribute
的来源秒。属性控制 TokenStream
的行为,这是用于读取/跟踪 StandardTokenizer
数据流的底层机制.
关于 AttributeFactory
,从 4.x 到 5.x 几乎没有变化。 - 在这两个版本中,您都可以创建一个 StandardTokenizer
用AttributeFactory
如果你愿意,或者如果你没有指定一个,那么 AttributeFactory.DEFAULT_ATTRIBUTE_FACTORY
最终将被使用。
最大的不同是你还可以传入 Reader
对于输入流作为构造函数的一部分。这意味着在 4.x 中,您必须为每个要处理的输入流创建一个新的 StreamTokenizer,这又必须重新初始化 AttributeFactory
中的属性。 .
我不是 Lucene 开发人员,但我猜这只是一种重组,目的是鼓励在多个流的读取过程中重用属性。如果你看一下 TokenStream 的内部结构和默认 AttributesFactory在实现中,创建和设置属性涉及很多反射(reflection)。如果我不得不猜测,StreamTokenizer
采用读取器的构造函数刚刚被删除,以鼓励重用分词器及其属性,因为这些属性的初始化相对昂贵。
编辑
添加一个逾期已久的示例 - 很抱歉没有以这个开头:
// Define your attribute factory (or use the default) - same between 4.x and 5.x
AttributeFactory factory = AttributeFactory.DEFAULT_ATTRIBUTE_FACTORY;
// Create the tokenizer and prepare it for reading
// Lucene 4.x
StandardTokenizer tokenizer =
new StandardTokenizer(factory, new StringReader("Tokenize me!"));
tokenizer.reset();
// Lucene 5.x
StandardTokenizer tokenizer = new StandardTokenizer(factory);
tokenizer.setReader(new StringReader("Tokenizer me!"));
tokenizer.reset();
// Then process tokens - same between 4.x and 5.x
// NOTE: Here I'm adding a single expected attribute to handle string tokens,
// but you would probably want to do something more meaningful/elegant
CharTermAttribute attr = tokenizer.addAttribute(CharTermAttribute.class);
while(tokenizer.incrementToken()) {
// Grab the term
String term = attr.toString();
// Do something crazy...
}
关于java - 如何从 lucene 5.x.x 使用 StandardTokenizer,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30523642/
我是一名优秀的程序员,十分优秀!