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 609
收藏 5

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 40
码字总数 40334
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
8.2K
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
1K
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
1K
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
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
347
1

没有更多内容

加载失败,请刷新页面

加载更多

利用碎片化时间Get Linux系统

起初,我做着一份与IT毫无关系的工作,每月领着可怜的工资,一直想改变现状,但无从下手,也就是大家熟知的迷茫。我相信,每一个人都会或多或少的经历过迷茫,迷茫每一个选择,迷茫工作或者生...

linuxprobe16
今天
5
0
OSChina 周日乱弹 —— 恨不得给你买张飞机挂票

Osc乱弹歌单(2018)请戳(这里) 【今日歌曲】 @开源中国首席灵魂师:分享张希/曹方的单曲《认真地老去》 来不及认真的年轻过,就认真的老去! 《认真地老去》- 张希/曹方 手机党少年们想听...

小小编辑
今天
287
6
如何实现靠谱的分布式锁?

分布式锁,是用来控制分布式系统中互斥访问共享资源的一种手段,从而避免并行导致的结果不可控。基本的实现原理和单进程锁是一致的,通过一个共享标识来确定唯一性,对共享标识进行修改时能够...

郑加威
今天
3
0
Mac OS X下Maven的安装与配置

Mac OS X 安装Maven: 下载 Maven, 并解压到某个目录。例如/Users/robbie/apache-maven-3.3.3 打开Terminal,输入以下命令,设置Maven classpath $ vi ~/.bash_profile 添加下列两行代码,之后...

TonyStarkSir
今天
5
0
关于编程,你的练习是不是有效的?

最近由于工作及Solution项目的影响,我在重新学习DDD和领域建模的一些知识。然后,我突然就想到了这个问题,以及我是怎么做的? 对于我来说,提升技能的项目会有四种: 纯兴趣驱动的项目。即...

问题终结者
今天
16
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部