Solr中文分词配置（2）

  1、下载分词器：http://code.google.com/p/mmseg4j/
    2、将解压后的mmseg4j-1.8.2目录下的mmseg4j-all-1.8.2.jar拷贝到Tomcat _HOME\webapps\solr\WEB-INF\lib目录下。
    3、添加词库：在C:\solr-tomcat\solr目录下新建dic文件夹，将解压后的sogou-dic\data目录下的words.dic拷贝到C:\solr-tomcat\solr\dic目录下。
    4、更改schema.xml(c:\solr-tomcat\solr\conf\)文件，使分词器起到作用。更改内容为：

Xml代码

  

<types>  
 ……  
    <!--mmseg4j field types-->  
       <fieldType name="textComplex" class="solr.TextField" positionIncrementGap="100" >    
            <analyzer>    
               <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex" dicPath="C:\solr-tomcat\solr\dic"/>    
               <filter class="solr.LowerCaseFilterFactory"/>    
           </analyzer>    
       </fieldType>    
  
     <fieldType name="textMaxWord" class="solr.TextField" positionIncrementGap="100" >    
        <analyzer>    
            <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="max-word" dicPath="C:\solr-tomcat\solr\dic"/>    
            <filter class="solr.LowerCaseFilterFactory"/>    
        </analyzer>    
     </fieldType>    
       
     <fieldType name="textSimple" class="solr.TextField" positionIncrementGap="100" >    
       <analyzer>    
           <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="simple" dicPath="C:\solr-tomcat\solr\dic"/>    
           <filter class="solr.LowerCaseFilterFactory"/>    
       </analyzer>    
     </fieldType>  
     ……  
 </types> 

 

<types>  …… 	<!--mmseg4j field types--> 	   <fieldType name="textComplex" class="solr.TextField" positionIncrementGap="100" >   			<analyzer>   			   <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex" dicPath="C:\solr-tomcat\solr\dic"/>   			   <filter class="solr.LowerCaseFilterFactory"/>              </analyzer>   	   </fieldType>    	 <fieldType name="textMaxWord" class="solr.TextField" positionIncrementGap="100" >           <analyzer>               <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="max-word" dicPath="C:\solr-tomcat\solr\dic"/>               <filter class="solr.LowerCaseFilterFactory"/>           </analyzer>        </fieldType>         	 <fieldType name="textSimple" class="solr.TextField" positionIncrementGap="100" >          <analyzer>              <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="simple" dicPath="C:\solr-tomcat\solr\dic"/>              <filter class="solr.LowerCaseFilterFactory"/>          </analyzer>        </fieldType> 	 ……  </types>  

  注：dicPath="C:\solr-tomcat\solr\dic"是你的词库路径，我的是放在了C:\solr-tomcat\solr\dic目录下。 

Xml代码

<fields>  
    ……  
    <field name="simple" type="textSimple" indexed="true" stored="true" multiValued="true"/>    
        <field name="complex" type="textComplex" indexed="true" stored="true" multiValued="true"/>    
    <field name="text" type="textMaxWord" indexed="true" stored="true" multiValued="true"/>  
    ……  
</fields>   

 注：之前的 Filed=“text”有值，要注意屏蔽以前的定义

Xml代码

<copyField source="simple" dest="text"/> <copyField source="complex" dest="text"/> 

<copyField source="simple" dest="text"/>  
<copyField source="complex" dest="text"/>  

 

重启你的tomcat 。
访问：http://localhost:8983/solr/admin/analysis.jsp可以看 mmseg4j 的分词效果。在 Field 的下拉菜单选择 name，然后在应用输入 complex。分词的结果，如下图：

 呵呵，可以运行起来了，那就添加个文档试试吧，在解压后的apache-solr-1.4.0\example\exampledocs目录下创建 mmseg4j-solr-demo-doc.xml 文档，内容如下：

Xml代码

<?xml version="1.0" encoding="UTF-8" ?>  
<add>    
    <doc>    
        <field name="id">1</field>    
        <field name="text">昨日,记者从解放军总参谋部相关部门获悉,截至3月28日,解放军和武警部队累计出动7.2万人次官兵支援地方抗旱救灾。组织民兵预备役人员20.2万人 次支援地方抗旱救灾。</field>    
    </doc>    
    <doc>    
        <field name="id">2</field>    
        <field name="text">下半年房价调整就是挤水分 房价回不到去年水平。</field>    
    </doc>    
    <doc>    
        <field name="id">3</field>    
        <field name="text">solr是基于Lucene Java搜索库的企业级全文搜索引擎，目前是apache的一个项目。</field>    
    </doc>    
    <doc>    
        <field name="id">4</field>    
        <field name="text">中国人民银行是中华人民共和国的中央银行。</field>    
    </doc>  
  <doc>  
        <field name="id">5</field>  
        <field name="text">京华时报２００９年1月23日报道 昨天，受一股来自中西伯利亚的强冷空气影响，本市出现大风降温天气，白天最高气温只有零下7摄氏度，同时伴有6到7级的偏北风。</field>  
    </doc>  
    <doc>  
        <field name="id">6</field>  
        <field name="text">昨日金正日抵达长春市，进行两天的长春市内电话系统考察。</field>  
    </doc>  
    <doc>  
        <field name="id">7</field>  
        <field name="text">陈教授正在研究生命起源，他的研究生正在打球。</field>  
    </doc>  
    <doc>  
        <field name="id">8</field>  
        <field name="text">中国人民银行是中华人民共和国的中央银行。</field>  
    </doc>    
</add>  

  <add>         <doc>             <field name="id">1</field>             <field name="text">昨日,记者从解放军总参谋部相关部门获悉,截至3月28日,解放军和武警部队累计出动7.2万人次官兵支援地方抗旱救灾。组织民兵预备役人员20.2万人 次支援地方抗旱救灾。</field>         </doc>         <doc>             <field name="id">2</field>             <field name="text">下半年房价调整就是挤水分 房价回不到去年水平。</field>         </doc>         <doc>             <field name="id">3</field>             <field name="text">solr是基于Lucene Java搜索库的企业级全文搜索引擎，目前是apache的一个项目。</field>         </doc>         <doc>             <field name="id">4</field>             <field name="text">中国人民银行是中华人民共和国的中央银行。</field>         </doc>     </add> 

 然后在 cmd 下运行 post.jar，如下：

F:\lucene\solr\apache-solr-1.4.0\example\exampledocs>java -Durl=http://localhost:8983/solr/update -Dcommit=yes -jar post.jar mmseg4j-solr-demo-doc.xml  (注意：F:\lucene\solr 要根据你自己的实际情况而定，solr update的访问端口也是一样，以个人为准)

查看是否有数据，访问：http://localhost:8983/solr/admin/ 在Query String: 中输入“中国”，显示如下图所示：

呵呵，成功了。至于schema.xml中的配置属性会在下一章中进行详细的介绍。

[Solr分词顺序]

Solr建立索引和对关键词进行查询都得对字串进行分词，在向索引库中添加全文检索类型的索引的时候，Solr会首先用空格进行分词，然后把分词结果依次使用指定的过滤器进行过滤，最后剩下的结果才会加入到索引库中以备查询。分词的顺序如下：
索引
1：空格whitespaceTokenize
2：过滤词(停用词，如：on、of、a、an等) StopFilter
3：拆字WordDelimiterFilter
4：小写过滤LowerCaseFilter
5：英文相近词EnglishPorterFilter
6：去除重复词RemoveDuplicatesTokenFilter
查询
1：查询相近词
2：过滤词
3：拆字
4：小写过滤
5：英文相近词
6：去除重复词
以上是针对英文，中文的除了空格，其他都类似