文档章节

Lucene highlighter高亮显示

D
 D-dragon
发布于 2016/05/08 12:35
字数 1407
阅读 597
收藏 5
点赞 3
评论 0

这个功能非常重要,先贴代码出来:

public class HighlighterTest {
    public static void main(String[] args) throws IOException, InvalidTokenOffsetsException {
        String text = "中华人民共和国 是个好国家啊";
        //设置高亮文本的样式
        Formatter formatter = new SimpleHTMLFormatter("<span>", "</span>");
        //用于对索引中特定的项进行搜索
        TermQuery query = new TermQuery(new Term("field","国"));
        //通过TokenStream流获取存储分词的各种信息
        TokenStream tokenStream = new StandardAnalyzer().tokenStream("field",new StringReader(text));
        //通过评分后的查询对象
        QueryScorer scorer = new QueryScorer(query,"field");
        Highlighter highlighter = new Highlighter(formatter,scorer);
//默认情况下,highlighter内部使用的是SimpleFragmenter分成片断,如果满足不了需求,可以用SimpleSpanFragmenter
//        highlighter.setTextFragmenter(new SimpleSpanFragmenter(scorer));

        System.out.println(highlighter.getBestFragment(tokenStream,text));
    }
}

程序中,重要点都做了介绍,至于基础性的东西,很难讲全面,具体可以参看lucene in action第二版,上面说得相对详细点,虽然说是基于3.0版本的,但大多数东西还是挺有价值的,实际上,目前还没发现比这个更好的资料。

上面代码的运行结果如下:

中华人民共和<span>国</span> 是个好<span>国</span>家啊

如果输出到HTML页面,就可以通过CSS样式,让其高亮显示了。

值得一提的是,android studio处理中文的问题,当我使用utf-8编码的时,查询中文会存在找不到的情况,输出中文也是乱码,不管我再怎么设置file encoding里面的东西,结果都一样。于是只能采用GBK,还好android studio可以单独修改某个文件的编码方式,如下:

最下面用红圈标注的地方,就是当前文件的编码方式,可以手动修改。不过StandardAnalyzer这个分词器,对中文的支持还是有点问题,比如上面这个地方,用lucene6.0版本的时候,如果查询条件为两个字或者更多的时候就查不出来。为此,正面用一个长一点的文章在测试词语的查询。

public class HighlighterTest {
    public static void main(String[] args) throws Exception {
//        String text = "中华人民共和国 是个好国家啊";
        String text = readFile("d:/content1.txt");
        //设置高亮文本的样式
        Formatter formatter = new SimpleHTMLFormatter("<span>", "</span>");
        //用于对索引中特定的项进行搜索
        TermQuery query = new TermQuery(new Term("field","聪明"));
        //通过TokenStream流获取存储分词的各种信息
        TokenStream tokenStream = new MyIKAnalyzer().tokenStream("field",new StringReader(text));
        //通过评分后的查询对象
        QueryScorer scorer = new QueryScorer(query,"field");
        Highlighter highlighter = new Highlighter(formatter,scorer);
//        默认情况下,highlighter内部使用的是SimpleFragmenter分成片断,如果满足不了需求,可以用SimpleSpanFragmenter
//        highlighter.setTextFragmenter(new SimpleSpanFragmenter(scorer));

        System.out.println(highlighter.getBestFragment(tokenStream,text));
    }

    static String readFile(String filename) throws Exception {
        String line = null;
        StringBuilder records = new StringBuilder();
        BufferedReader bufferedReader = new BufferedReader(new FileReader(filename));
        while ((line = bufferedReader.readLine()) != null) {
            records.append(line);
        }
        bufferedReader.close();
        return records.toString();
    }
}

上面的程序中,用readFile方法,读取content1.txt文件的内容,然后输入关键字“聪明”来查找文件内容,结果则会显示关键字附近的内容,默认情况下,应该显示的“聪明”这个关键字前后的100个字符,大概相当于搜索预览的意思。

上面还有一个地方需要注意,那就是分词器用的是MyIKAnalyzer,因为用标准的分词器找不到相关的内容。而这个MyIKAnalyzer来源于IKAnalyzer分词器,但是IKAnalyzer分词器已经很久没更新了,最新版本也是2012更新的,所以在6.0版本下会报错。不过好在,有人会这个,所以再网上找了一个修改后东西,就是重新写了一个IKAnalyzer类,具体代码如下:

public class MyIKAnalyzer extends Analyzer{

    @Override
    protected Analyzer.TokenStreamComponents createComponents(String str) {
        Reader reader = null;
        try {
            reader = new StringReader(str);
            MyIKTokenizer it = new MyIKTokenizer(reader);
            return new Analyzer.TokenStreamComponents(it);
        } finally {
            IOUtils.closeWhileHandlingException(reader);
        }
    }
}

 

public class MyIKTokenizer extends Tokenizer {
    // IK分词器实现
    private IKSegmenter _IKImplement;

    // 词元文本属性
    private final CharTermAttribute termAtt;
    // 词元位移属性
    private final OffsetAttribute offsetAtt;
    // 词元分类属性(该属性分类参考org.wltea.analyzer.core.Lexeme中的分类常量)
    private final TypeAttribute typeAtt;
    // 记录最后一个词元的结束位置
    private int endPosition;

    public MyIKTokenizer(Reader in) {
        this(in, false);
    }

    /**
     * Lucene 4.0 Tokenizer适配器类构造函数
     *
     * @param in
     * @param useSmart
     */
    public MyIKTokenizer(Reader in, boolean useSmart) {
        offsetAtt = addAttribute(OffsetAttribute.class);
        termAtt = addAttribute(CharTermAttribute.class);
        typeAtt = addAttribute(TypeAttribute.class);
        _IKImplement = new IKSegmenter(input, useSmart);
    }

    /*
     * (non-Javadoc)
     *
     * @see org.apache.lucene.analysis.TokenStream#incrementToken()
     */
    public boolean incrementToken() throws IOException {
        // 清除所有的词元属性
        clearAttributes();
        Lexeme nextLexeme = _IKImplement.next();
        if (nextLexeme != null) {
            // 将Lexeme转成Attributes
            // 设置词元文本
            termAtt.append(nextLexeme.getLexemeText());
            // 设置词元长度
            termAtt.setLength(nextLexeme.getLength());
            // 设置词元位移
            offsetAtt.setOffset(nextLexeme.getBeginPosition(),
                    nextLexeme.getEndPosition());
            // 记录分词的最后位置
            endPosition = nextLexeme.getEndPosition();
            // 记录词元分类
            typeAtt.setType(nextLexeme.getLexemeTypeString());
            // 返会true告知还有下个词元
            return true;
        }
        // 返会false告知词元输出完毕
        return false;
    }

    /*
     * (non-Javadoc)
     *
     * @see org.apache.lucene.analysis.Tokenizer#reset(java.io.Reader)
     */
    public void reset() throws IOException {
        super.reset();
        _IKImplement.reset(input);
    }

    @Override
    public final void end() {
        // set final offset
        int finalOffset = correctOffset(this.endPosition);
        offsetAtt.setOffset(finalOffset, finalOffset);
    }
}

IKAnalyzer分词器工具包,可以自行到网上下载,虽然很久没更新,但是分词技术应该还是做得相当不错的。另外,再多说一句,上面两个java到底修改了什么地方呢?IKAnalyzer这个java文件里面有个方法:

@Override
protected TokenStreamComponents createComponents(String fieldName, final Reader in) {
	Tokenizer _IKTokenizer = new IKTokenizer(in , this.useSmart());
	return new TokenStreamComponents(_IKTokenizer);
}

可以发现,这个方法上面有个"@override"这个标志,表示重载父类Analyzer的createComponents这个方法,而现在的6.0版本,这个方法的参数形式已经变了,改成了:

protected abstract Analyzer.TokenStreamComponents createComponents(String var1);

所以为适应新版的需求,这个地方必须修改。至于说到MyIKTokenizer这个类,其实只修改了一个地方,那就是:

public IKTokenizer(Reader in , boolean useSmart){
	    super(in);
	    offsetAtt = addAttribute(OffsetAttribute.class);
	    termAtt = addAttribute(CharTermAttribute.class);
	    typeAtt = addAttribute(TypeAttribute.class);
		_IKImplement = new IKSegmenter(input , useSmart);
}
Tokenizer类里面已经没得super(in)这种构造方法了,所以把它去掉即可。

© 著作权归作者所有

共有 人打赏支持
D
粉丝 6
博文 37
码字总数 36216
作品 0
资阳
程序员
Elasticsearch 2.20 高亮显示

Elasticsearch中的高亮显示是来源于lucene的功能,他允许在一个或者多个字段上突出显示搜索内容, lucene支持三种高亮显示方式highlighter, fast-vector-highlighter, postings-highlighter...

赛克蓝德 ⋅ 2016/02/15 ⋅ 6

Token 贬值 exceeds length of provided text sized

lucene2.9的例子能跑通,无问题。 升级到4.1版本,编译无错,使用HighLight高亮显示查询结果时,出错。 org.apache.lucene.search.highlight.InvalidTokenOffsetsException: Token 贬值 exce...

panhan ⋅ 2013/03/07 ⋅ 3

LUCENE高亮显示问题

领导让我做一个全文搜索 的程序,我按照LUCENE的demo做了IndexFiles.java和SearchFiles.java,同时用PDFBox抽取PDF文档,效果比较 好 ,但是领导又要求做高亮显示,我照着highlighter的例子却...

zhangzhaoxizhi ⋅ 2012/07/16 ⋅ 3

Solr高亮与Field权重

Solr高亮 原理 做搜索时,高亮是很常见的需求,那么Solr肯定也为高亮提供了支持。先解释下Solr高亮的原理,在我们设置了需要高亮显示的Field之后,查询得到的返回结果会多出来下面的内容: ...

Zero零_度 ⋅ 2015/08/17 ⋅ 0

Solr 高亮源码阅读

Solr高亮使用了很多Lucene的源码,在Lucene源码org.apache.lucene.search.highlight包的Highlighter.java里的方法: public final TextFragment[] getBestTextFragments( TokenStream tokenS......

go2school ⋅ 2015/08/26 ⋅ 0

lucene搜索关键字,高亮错位

lucene3.6.2+jdk1.5+IKAnalyzers3.2.8 建立索引文件后,通过lucene自带的highlight组件进行高亮处理.得到结果显示不对.高亮的关键字错位.只有第一个关键字是正确的,之后的每一个关键字错位越来...

咻咻秀秀修 ⋅ 2014/01/14 ⋅ 1

jQuery Highlighter v1.0.0 发布

项目简介 jQuery Highlighter 是一个用来高亮显示文本关键字的 jQuery 插件。 项目主页:http://github.com/XuJinNet/jQuery-Highlighter 在线测试页面:http://xujinnet.github.com/jQuery...

徐徐前进 ⋅ 2010/10/23 ⋅ 0

对使用Lucene的一点点认识

就我而言我使用Lucene就是为了搜索而已,所以我就以这个目的来描述这个笔记。我使用Lucene的步骤如下: 1:创建索引 2:学习有哪些过滤器 3:学习有哪些查询器(很多) 4:学习有哪些分词器(...

lixiyuan ⋅ 2014/06/08 ⋅ 2

10 个 WordPress 的代码语法高亮插件

1. Developer Formatter 该插件使用 GeSHi 高亮引擎,支持超过110种语言,包括 PHP, ASP, Html, JavaScript, CSS, Java, Python, Delphi, C++, C, Visual Basic 等 2. WordPress Plugin – ......

红薯 ⋅ 2012/02/27 ⋅ 10

jcseg 高亮问题

@狮子的魂 你好,想跟你请教个问题: 安装了 jcseg 后,把原本的 mmseg4j 换成你的之后,重新推内容到索引,效果不错,不过在增加了高亮后,"duowan" 这个词出问题,下面是调试信息,请麻烦c...

BunWong ⋅ 2014/01/12 ⋅ 10

没有更多内容

加载失败,请刷新页面

加载更多

下一页

20.zip压缩 tar打包 打包并压缩

6月25日任务 6.5 zip压缩工具 6.6 tar打包 6.7 打包并压缩 6.5 zip压缩工具: zip支持压缩目录 zip压缩完之后原来的文件不删除 不同的文件内容其实压缩的效果不一样 文件内有很多重复的用xz压...

王鑫linux ⋅ 2分钟前 ⋅ 0

double类型数据保留四位小数的另一种思路

来源:透析公式处理,有时候数据有很长的小数位,有的时候由在四位以内,如果用一般的处理方法,那么不足四位的小树会补充0到第四位,这样子有点画蛇添足的感觉,不太好看。所以要根据小数的...

young_chen ⋅ 9分钟前 ⋅ 0

Python 优化 回溯下降算法

使用sympy构造表达式,实现回溯下降算法 画出函数图像,先使用暴力搜索,找到最小值约为2.5左右 然后选定初始点,开始进行回溯搜索,下降方向为负梯度方向 下降的误差与步数大致呈现下面的状...

阿豪boy ⋅ 13分钟前 ⋅ 0

Django配置163邮箱出现 authentication failed(535)错误解决方法

最近用Django写某网站,当配置163邮箱设置完成后,出现535错误即:smtplib.SMTPAuthenticationError: (535, b'Error: authentication failed') Django初始配置邮箱设置 EMAIL_HOST = "smtp.1...

陈墨轩_CJX ⋅ 15分钟前 ⋅ 0

用接口模拟可伸缩枚举(34)

1、枚举的可伸缩性最后证明都不是什么好点子 扩展类型的元素是基本类型实例,基本类型的实例却不是扩展类型的元素,很混乱 目前还没有很好的方法来枚举基本类型的所有元素,及其扩展 可伸缩性...

职业搬砖20年 ⋅ 18分钟前 ⋅ 0

Ubuntu18.04 IDEA快捷键无法使用

IDEA默认的回退到上一视图的快捷键是Ctrl + Alt + Left,在ubuntu中这个快捷键被占用了,在16.04中可以在界面中取消这个快捷键,但是18.04就看不到了,可以使用以下命令解决 gsettings set ...

Iceberg_XTY ⋅ 23分钟前 ⋅ 0

如何解决s权限位引发postfix及crontab异常

一、问题现象 业务反馈某台应用服务器,普通用户使用mutt程序发送邮件时,提示“postdrop warning: mail_queue_enter: create file maildrop/713410.6065: Permission denied”,而且普通用法...

问题终结者 ⋅ 35分钟前 ⋅ 0

Unable to load database on disk

由于磁盘空间满了以后,导致zookeeper异常退出,清理磁盘空间后,zk启动报错,信息如下: 2018-06-25 17:18:46,904 INFO org.apache.zookeeper.server.quorum.QuorumPeerConfig: Reading co...

刀锋 ⋅ 54分钟前 ⋅ 0

css3 box-sizing:border-box 实现div一行多列

<!DOCTYPE html><html><head><style> div.container{ background:green; padding:10px 10px;}div.box{box-sizing:border-box;-moz-box-sizing:border-box; /* Fir......

qimh ⋅ 今天 ⋅ 0

Homebrew简介和基本使用

一、Homebrew是什么 Homebrew是一款Mac OS平台下的软件包管理工具,拥有安装、卸载、更新、查看、搜索等很多实用的功能。简单的一条指令,就可以实现包管理,而不用你关心各种依赖和文件路径...

说回答 ⋅ 今天 ⋅ 0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

返回顶部
顶部