lucene - 如何在 lucene 中组合两个分词器(japaneseanalyzer 和 standardanalyzer)

Question

我正在使用 lucene 4.3.0 并且想用英语和日语字符标记文档。

    An example is like "LEICA S２ カタログ （新品）"
    The StandardAnalyzer "[leica] [s２] [カタログ] [新] [品]"
    The JapaneseAnalyzer "[leica] [s] [2] [カタログ] [新品]"

在我项目的应用中，StandardAnalyzer对英文字符的处理比较好，例如[s２]优于[s][2]。 JapaneseAnalyzer 更擅长日语，例如[新品]到[新][品]。此外，JapaneseAnalyzer 有一个很好的功能，可以将全角字符“２”转换为“2”。

    If I want the tokens to be [leica] [s2] [カタログ] [新品], it means:
    1) English and numbers are tokenized by StandardAnalyzer. [leica] [s2]
    2) Japanese are tokenized by JapaneseAnalyzer. [カタログ] [新品]
    3) fullwidth character are converted to halfwidth by a filter. [s２]=>[s2]
    how to implement this custom analyzer? 

Answer 1

我会尝试的第一件事是弄乱传递给 JapaneseAnalyzer 的参数，特别是 Tokenizer.Mode (我对日语的结构一无所知，所以我对这些选项的意图没有任何帮助)。

---

除此之外

您需要为此创建自己的分析器。除非您愿意编写自己的 Tokenizer，否则最终结果可能是尽力而为。创建分析器非常简单，创建分词器意味着定义您自己的语法，这不会那么简单。

看看 JapaneseAnalyzer 的代码和 StandardAnalyzer ，特别是对 createComponents 的调用，这是创建自定义分析器所需的全部。

假设您得出结论 StandardTokenizer 对您来说是正确的，但否则我们将主要使用日语过滤器集，它可能看起来像:

@Override
protected TokenStreamComponents createComponents(String fieldName, Reader reader) {
    //For your Tokenizer, you might consider StandardTokenizer, JapaneseTokenizer, or CharTokenizer
    Tokenizer tokenizer = new StandardTokenizer(version, reader);
    TokenStream stream = new StandardFilter(version, tokenizer);
    stream = new JapaneseBaseFormFilter(stream);
    stream = new LowerCaseFilter(matchVersion, stream);  //In JapaneseAnalyzer, a lowercasefilter comes at the end, further proving I don't know Japanese.
    stream = new JapanesePartOfSpeechStopFilter(true, stream, stoptags);
    stream = new CJKWidthFilter(stream);  //Note this WidthFilter!  I believe this does the char width transform you are looking for.
    stream = new StopFilter(matchVersion, stream, stopwords);
    stream = new JapaneseKatakanaStemFilter(stream);
    stream = new PorterStemFilter(stream); //Nothing stopping you using a second stemmer, really.
    return new TokenStreamComponents(tokenizer, stream);
}

这是一个完全随机的实现，来自不了解问题的人，但希望它能为实现更有意义的分析器指明方向。在该过滤器链中应用过滤器的顺序很重要，所以要小心(即在英语中，LowerCaseFilter 通常较早应用，这样像 Stemmers 这样的东西就不必担心大小写)。