java - java中的自定义分析器，使用edgeNGram标记过滤器

Question

这是我之前的 question 的延续。我正在使用 Lucene 3.6.1 并希望创建一个自定义分析器来创建如下所示的 token :-

I/P 文本:- foo bar

token :- f、fo、foo、b、ba、bar

I/P 文本:- HEllo 123

token :- h,he,hel,hell,hello,1,12,123。

基本上，它将文本转换为小写，然后使用边缘 n-gram 标记过滤器。

下面是我的自定义分析器的 java 代码。

@Override
    public TokenStream tokenStream(String fieldName, Reader reader) {
        TokenStream stream = new KeywordTokenizer(reader);
        TokenStream result = new EdgeNGramTokenFilter(stream, EdgeNGramTokenFilter.Side.FRONT, 1, 30);
        //OffsetAttribute offsetAttribute = result.addAttribute(OffsetAttribute.class);
        CharTermAttribute charTermAttribute = result.addAttribute(CharTermAttribute.class);
        try {
            result.reset();
            while (result.incrementToken()) {
                //int startOffset = offsetAttribute.startOffset();
                //int endOffset = offsetAttribute.endOffset();
                System.out.println(charTermAttribute.toString());
            }
            result.end();
            result.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
        return result;
    }

但它返回以下 foo bar 的标记。

f
fo
foo
foo 
foo b
foo ba
foo bar

让我知道我的代码中缺少什么。

Answer 1

您需要使用StandardTokenizer，而不是KeywordTokenizer。后者将简单地将整个输入视为单个标记，而前者将小写并将输入拆分为多个标记。

所以改变这个:

    TokenStream stream = new KeywordTokenizer(reader);

对此:

    TokenStream stream = new StandardTokenizer(reader);