- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
在使用Lucene的过程中,有点失望。我看不到或不明白我应该如何继续为任何 Lucene 分析器提供已经可以直接索引的东西。或者我应该如何继续创建我自己的分析器...
例如,如果我有一个 List<MyCustomToken>
,它已经包含许多标记(实际上还有更多关于大写等的信息,我也想将其作为每个 MyCustomToken 的特征进行索引)
如果我很好地理解我所读的内容,我需要子类化一个分析器,它将调用我自己的标记器子类化 TokenStream,我只需要提供一个 public final boolean incrementToken()
这将完成插入 TermAttribute
的工作@位置。
顺便说一句,这是我感到困惑的地方 => 这个 TokenStream 是 java.io.Reader 的子类,因此只能分析流对象,如文件、字符串...
我怎样才能拥有自己的文档分析器来使用我的列表而不是这个流式处理的?
看起来整个 Lucene API 是建立在这样的想法之上的,即它首先开始分析@一个非常低的级别,即“字符”的观点,而我需要稍后开始使用它/从已经标记化的单词甚至插入表达式(词组)。
Lucene 用法的典型示例如下(取自 here):
StandardAnalyzer analyzer = new StandardAnalyzer(Version.LUCENE_35);
// 1. create the index
Directory index = new RAMDirectory();
IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_35, analyzer);
IndexWriter w = new IndexWriter(index, config);
addDoc(w, "Lucene in Action"); // BUT here i would like to have a addDoc(w, MyOwnObject)
addDoc(w, "Lucene for Dummies");
addDoc(w, "Managing Gigabytes");
addDoc(w, "The Art of Computer Science");
w.close();
[...]
private static void addDoc(IndexWriter w, String value) throws IOException {
Document doc = new Document();
doc.add(new Field("title", value, Field.Store.YES, Field.Index.ANALYZED));
// SO that i can add here my own analysis base on many fields, with them built from a walk through List or complex structures...
w.addDocument(doc);
}
ps :(我的 java/lucene 知识仍然很差,所以我可能错过了关于 Reader <=> List 模式的一些明显的东西?)
这题和我的差不多on lucene list
编辑: @ Jilles van Gurp => 是的,你说得很对,这是我想到的另一个问题,但首先希望找到一个更优雅的解决方案。所以,如果继续,我仍然可以进行某种序列化,将这个序列化的字符串作为文档提供给我自己的分析器,然后我自己的分词器将反序列化并重新进行一些基本的分词(实际上,只是遍历已经完成的...) 顺便说一句,它会添加一些我想避免的更慢和愚蠢的额外步骤...
关于这部分 => 有人有任何最近的(Lucene >3.6)自定义分词器的样本,它提供了 Lucene 索引所需的所有基础数据吗?我读过关于像那样发射 token 的信息:
posIncrement.setPositionIncrement(increment);
char[] asCharArray = myAlreadyTokenizedString.toCharArray(); // here is my workaround
termAttribute.copyBuffer(asCharArray, 0, asCharArray.length);
//termAttribute.setTermBuffer(kept);
position++;
为什么我在这里部分,是因为我使用了一些外部库,对我的文本进行标记化,做一些词性注释,以及其他分析(可能会想到表达式识别或命名实体识别,还可以包括一些关于大写等的特殊功能),我想在 Lucene 索引中跟踪(我感兴趣的实际部分是索引和查询,而不是Analysis 的第一步几乎来自 Lucene 库,仅对我阅读的内容进行标记化)。
(另外,我不认为我可以从这些先前/早期的步骤中做一些更聪明的事情,因为我使用了许多不同的工具,并不是所有的工具都是 Java 的或者可以很容易地包装到 Java 中)
所以我认为这有点令人难过,旨在处理文本的 Lucene 如此受限于单词/标记(字符序列),而文本不仅仅是单个/孤立的单词/标记的并置。 .
最佳答案
与其尝试实现类似addDoc(w, MyOwnObject)
的方法,不如使用MyOwnObject.toString()
并实现@Override String toString( )
在您的 MyOwnObject
类中?
关于java - Lucene,索引已经/外部标记化的标记并定义自己的分析过程,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11142221/
我刚刚继承了一个旧的 PostgreSQL 安装,需要进行一些诊断以找出该数据库运行缓慢的原因。在 MS SQL 上,您可以使用 Profiler 等工具来查看正在运行的查询,然后查看它们的执行计划。
将目标从Analytics(分析)导入到AdWords中,然后在Analytics(分析)中更改目标条件时,是否可以通过更改将目标“重新导入”到AdWords,还是可以自动选择? 最佳答案 更改目标值
我正在使用google analytics api来获取数据。我正在获取数据,但我想验证两个参数,它们在特定日期范围内始终为0。我正在获取['ga:transactions']和['ga:goalCo
我使用Google API从Google Analytics(分析)获取数据,但指标与Google Analytics(分析)的网络界面不同。 即:我在2015年3月1日获得数据-它返回综合浏览量79
我在我的Web应用程序中使用sammy.js进行剔除。我正在尝试向其中添加Google Analytics(分析)。我很快找到了following plugin来实现页面跟踪。 我按照步骤操作,页面如
当使用 Xcode 分析 (product>analyze) 时,有没有办法忽略给定文件中的任何错误? 例如编译指示之类的? 我们只想忽略第三方代码的任何警告,这样当我们的代码出现问题时,它对我们
目录 EFK 1. 日志系统 2. 部署ElasticSearch 2.1 创建handless服务 2.2 创建s
关闭。这个问题不满足Stack Overflow guidelines .它目前不接受答案。 想改善这个问题吗?更新问题,使其成为 on-topic对于堆栈溢出。 7年前关闭。 Improve thi
GCC/G++ 是否有可用于输出分析的选项? 能够比较以前的代码与新代码之间的差异(大小、类/结构的大小)将很有用。然后可以将它们与之前的输出进行比较以进行比较,这对于许多目的都是有用的。 如果没有此
我正在浏览 LYAH,并一直在研究处理列表时列表理解与映射/过滤器的使用。我已经分析了以下两个函数,并包含了教授的输出。如果我正确地阅读了教授的内容,我会说 FiltB 的运行速度比 FiltA 慢很
在 MySQL 中可以使用 SET profiling = 1; 设置分析 查询 SHOW PROFILES; 显示每个查询所用的时间。我想知道这个时间是只包括服务器的执行时间还是还包括将结果发送到前
我用 Python 编写了几个用于生成阶乘的模块,我想测试运行时间。我找到了一个分析示例 here我使用该模板来分析我的模块: import profile #fact def main():
前几天读了下mysqld_safe脚本,个人感觉还是收获蛮大的,其中细致的交代了MySQL数据库的启动流程,包括查找MySQL相关目录,解析配置文件以及最后如何调用mysqld程序来启动实例等,有着
1 内网基础 内网/局域网(Local Area Network,LAN),是指在某一区域内有多台计算机互联而成的计算机组,组网范围通常在数千米以内。在局域网中,可以实现文件管理、应用软件共享、打印机
1 内网基础 内网/局域网(Local Area Network,LAN),是指在某一区域内有多台计算机互联而成的计算机组,组网范围通常在数千米以内。在局域网中,可以实现文件管理、应用软件共享、打印机
我有四列形式的数据。前三列代表时间,value1,value 2。第四列是二进制,全为 0 或 1。当第四列中对应的二进制值为0时,有没有办法告诉excel删除时间、值1和值2?我知道这在 C++ 或
我正在运行一个进行长时间计算的 Haskell 程序。经过一些分析和跟踪后,我注意到以下内容: $ /usr/bin/time -v ./hl test.hl 9000045000050000 Com
我有一个缓慢的 asp.net 程序正在运行。我想分析生产服务器以查看发生了什么,但我不想显着降低生产服务器的速度。 一般而言,配置生产盒或仅本地开发盒是标准做法吗?另外,您建议使用哪些程序来实现这一
我目前正在尝试分析 Haskell 服务器。服务器永远运行,所以我只想要一个固定时间的分析报告。我尝试只运行该程序 3 分钟,然后礼貌地要求它终止,但不知何故,haskell 分析器不遵守术语信号,并
是否有工具可以分析 Maven 构建过程本身,以便我可以看到构建花费最多时间的地方? 我们在工作中遇到了关于 Maven 3.0.3 和 3.0b1 的问题。与 3.0.3 (9m00s) 相比,我们
我是一名优秀的程序员,十分优秀!