java - 在 Lucene 中关闭词干提取

Question

我需要关闭 EnglishAnalyzer 或其他类似分析器(例如 ItalianAnalyzer、ecc..)的词干提取
我正在使用 Lucene 3.6.2，我发现只能指定一个集合不应该使用这个构造函数来阻止的单词: EnglishAnalyzer documentation - stemExclusionSet

我该怎么办？

Answer 1

通常，当您使用特定于语言的分析时，是因为您想要词干提取。 StandardAnalyzer 是一种非常有效的非特定语言分析器，如果您不想进行词干提取的话。

然而，语言分析器还处理了其他一些不错的小细节，所以如果您真的需要从分析器中删除词干分析器，请获取分析器的源代码，并创建您自己的分析器来覆盖 TokenStreamComponents 方法，并删除词干过滤器和相关组件(您通常会找到一个可以删除的 SetKeywordMarkerFilter，因为它只是用于防止对所选标记进行词干提取)，比如:

final CharArraySet defaultStopwords = new ItalianAnalyzer(Version.LUCENE_47).getStopWordSet();

final CharArraySet defaultArticles = CharArraySet.unmodifiableSet(
   new CharArraySet(Version.LUCENE_CURRENT, 
       Arrays.asList(
      "c", "l", "all", "dall", "dell", "nell", "sull", "coll", "pell", 
       "gl", "agl", "dagl", "degl", "negl", "sugl", "un", "m", "t", "s", "v", "d"
       ), true));

Analyzer customItalianAnalyzer = new Analyzer() {
  @Override
  protected TokenStreamComponents createComponents(String fieldName, Reader reader) {
    final Tokenizer source = new StandardTokenizer(Version.LUCENE_47, reader);
    TokenStream result = new StandardFilter(Version.LUCENE_47, source);
    result = new ElisionFilter(result, defaultArticles);
    result = new LowerCaseFilter(Version.LUCENE_47, result);
    result = new StopFilter(Version.LUCENE_47, result, defaultStopwords);
    return new TokenStreamComponents(source, result);
  }
};

请注意，我在此处复制了停用词和省略号集的定义。我还删除了版本检查，因为在您的自定义用法中，您可以指定一个版本，而不是在 if 语句中处理它(这里假设您使用的是 3.2 之后的版本)。

另一种选择是只复制 ItalianAnalyzer 的全部内容，但我认为像这样对它进行一次检查并粗略了解分词器/过滤器链是有益的，所以您可以就您真正希望分析仪执行的操作做出明智的决定。