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 620
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 41
码字总数 40861
作品 0
资阳
程序员
私信 提问
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
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
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
1K
0
solr4.7开发实践 2——高亮显示

第一种方式是solrj操作: public SolrDocumentList query(String str) { SolrQuery query = new SolrQuery(str); query.setHighlight(true);//开启高亮功能 query.addHighlightField("name,......

一枚Sir
2014/04/24
0
2

没有更多内容

加载失败,请刷新页面

加载更多

mysql 时间格式化

DATE_FORMAT

1713716445
5分钟前
0
0
聊聊flink的PartitionableListState

序 本文主要研究一下flink的PartitionableListState PartitionableListState flink-runtime_2.11-1.7.0-sources.jar!/org/apache/flink/runtime/state/DefaultOperatorStateBackend.java /*......

go4it
10分钟前
0
0
Micropython教程之TPYBoard开发板制作电子时钟(萝卜学科编程教育)

1.实验目的 1. 学习在PC机系统中扩展简单I/O?接口的方法。 2. 什么是SPI接口。 3. 学习TPYBoard I2C接口的用法。 4. 学习LCD5110接线方法。 5. 设定时钟并将当前时间显示在LCD5110上。 2.所需...

bodasisiter
11分钟前
0
0
js 闭包

闭包,是 Javascript 比较重要的一个概念,对于初学者来讲,闭包是一个特别抽象的概念,特别是 ECMAScript 规范给的定义,如果没有实战经验,很难从定义去理解它。因此,本文不会对闭包的概念...

MrBoyce
15分钟前
0
0
Java B2B2C o2o多用户商城 springcloud架-企业云架构common-service代码结构分析

当前的分布式微服务云架构平台使用Maven构建,所以common-service的通用服务按照maven构建独立的系统服务,结构如下: particle-commonservice: spring cloud 系统服务根项目,所有服务项目...

itcloud
21分钟前
1
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