全文检索Solr集成HanLP中文分词

 

以前发布过HanLP的Lucene插件，后来很多人跟我说其实Solr更流行（反正我是觉得既然Solr是Lucene的子项目，那么稍微改改配置就能支持Solr），于是就抽空做了个Solr插件出来，开源在Github上，欢迎改进。

HanLP中文分词solr插件支持Solr5.x，兼容Lucene5.x。

 

图1

快速上手

1、将hanlp-portable.jar和hanlp-solr-plugin.jar共两个jar放入${webapp}/WEB-INF/lib下

2、修改solr core的配置文件${core}/conf/schema.xml：

  <fieldType name="text_cn" class="solr.TextField">

      <analyzer type="index">

          <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="true"/>

      </analyzer>

      <analyzer type="query">

          <!-- 切记不要在query中开启index模式 -->

          <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="false"/>

      </analyzer>

  </fieldType>

  <!-- 业务系统中需要分词的字段都需要指定type为text_cn -->

  <field name="my_field1" type="text_cn" indexed="true" stored="true"/>

  <field name="my_field2" type="text_cn" indexed="true" stored="true"/>

Solr5中文分词器详细配置

对于新手来说，上面的两步可能太简略了，不如看看下面的step by step。本教程使用Solr5.2.1，理论上兼容solr5.x。

放置jar

将上述两个jar放到solr-5.2.1/server/solr-webapp/webapp/WEB-INF/lib目录下。如果你想自定义词典等数据，将hanlp.properties放到solr-5.2.1/server/resources，该目录也是log4j.properties等配置文件的放置位置。HanLP文档一直在说“将配置文件放到resources目录下”，指的就是这个意思。作为Java程序员，这是基本常识。

启动solr

首先在solr-5.2.1in目录下启动solr：

1.solr start -f

用浏览器打开http://localhost:8983/solr/#/，看到如下页面说明一切正常：

 

图2

创建core

在solr-5.2.1serversolr下新建一个目录，取个名字比如叫one，将示例配置文件solr-5.2.1serversolrconfigsetssample_techproducts_configsconf拷贝过来，接着修改schema.xml中的默认域type，搜索

 1.   <fieldType name="text_general" class="solr.TextField" positionIncrementGap="100">

 2.       ...

 3.   </fieldType>

 

替换为

1. <!-- 默认文本类型: 指定使用HanLP分词器，同时开启索引模式。
2. 通过solr自带的停用词过滤器，使用"stopwords.txt"（默认空白）过滤。
3. 在搜索的时候，还支持solr自带的同义词词典。-->
4. <fieldType name="text_general" class="solr.TextField" positionIncrementGap="100">
5. <analyzer type="index">
6. <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="true"/>
7. <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
8. <!-- 取消注释可以启用索引期间的同义词词典
9. <filter class="solr.SynonymFilterFactory" synonyms="index_synonyms.txt" ignoreCase="true" expand="false"/>
10. -->
11. <filter class="solr.LowerCaseFilterFactory"/>
12. </analyzer>
13. <analyzer type="query">
14. <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="true"/>
15. <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />
16. <filter class="solr.SynonymFilterFactory" synonyms="synonyms.txt" ignoreCase="true" expand="true"/>
17. <filter class="solr.LowerCaseFilterFactory"/>
18. </analyzer>
19. </fieldType>

 

意思是默认文本字段类型启用HanLP分词器，text_general还开启了solr默认的各种filter。

solr允许为不同的字段指定不同的分词器，由于绝大部分字段都是text_general类型的，可以说这种做法比较适合新手。如果你是solr老手的话，你可能会更喜欢单独为不同的字段指定不同的分词器及其他配置。如果你的业务系统中有其他字段，比如location，summary之类，也需要一一指定其type="text_general"。切记，否则这些字段仍旧是solr默认分词器，会造成这些字段“搜索不到”。

另外，切记不要在query中开启indexMode，否则会影响PhaseQuery。indexMode只需在index中开启一遍即可，要不然它怎么叫indexMode呢。

如果你不需要solr提供的停用词、同义词等filter，如下配置可能更适合你：

1. <fieldType name="text_cn" class="solr.TextField">

2.      <analyzer type="index">

3.          <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="true"/>

4.      </analyzer>

5.      <analyzer type="query">

6.          <!-- 切记不要在query中开启index模式 -->

7.          <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="false"/>

8.      </analyzer>

9.  </fieldType>

10.  <!-- 业务系统中需要分词的字段都需要指定type为text_cn -->

11.  <field name="my_field1" type="text_cn" indexed="true" stored="true"/>

12.  <field name="my_field2" type="text_cn" indexed="true" stored="true"/>

完成了之后在solr的管理界面导入这个core one：

 

图3

接着就能在下拉列表中看到这个core了：

 

图4

上传测试文档

修改好了，就可以拿一些测试文档来试试效果了。hanlp-solr-plugin代码库中的src/test/resources下有个测试文档集合documents.csv，其内容如下：

1. id,title
2. 1,你好世界
3. 2,商品和服务
4. 3,和服的价格是每镑15便士
5. 4,服务大众
6. 5,hanlp工作正常

代表着id从1到5共五个文档，接下来复制solr-5.2.1exampleexampledocs下的上传工具post.jar到resources目录，利用如下命令行将数据导入：

1. java -Dc=one -Dtype=application/csv -jar post.jar *.csv

Windows用户的话直接双击该目录下的upload.cmd即可，Linux用户运行upload.sh。

正常情况下输出如下结果：

1. SimplePostTool version 5.0.0
2. Posting files to [base] url http://localhost:8983/solr/one/update using content-
3. type application/csv...
4. POSTing file documents.csv to [base]
5. 1 files indexed.
6. COMMITting Solr index changes to http://localhost:8983/solr/one/update...
7. Time spent: 0:00:00.059
8. 请按任意键继续. . .

同时刷新一下core one的Overview，的确看到了5篇文档：

 

图5

搜索文档

是时候看看HanLP分词的效果了，点击左侧面板的Query，输入“和服”试试：

 

图6

发现精确地查到了“和服的价格是每镑15便士”，而不是“商品和服务”这种错误文档：

 

图7

这说明HanLP工作良好。

要知道，不少中文分词器眉毛胡子一把抓地命中“商品和服务”这种错误文档，降低了查准率，拉低了用户体验，跟原始的MySQL LIKE有何区别？

索引模式的功能

索引模式可以对长词进行全切分，得到其中蕴含的所有词汇。比如“中医药大学附属医院”在HanLP索引分词模式下的切分结果为：

1. 中0 医1 药2 大3 学4 附5 属6 医7 院8 
2. [0:3 1] 中医药/n
3. [0:2 1] 中医/n
4. [1:3 1] 医药/n
5. [3:5 1] 大学/n
6. [5:9 1] 附属医院/nt
7. [5:7 1] 附属/vn
8. [7:9 1] 医院/n

开启indexMode后，无论用户搜索“中医”“中医药”还是“医药”，都会搜索到“中医药大学附属医院”：

 

图8

高级配置

目前本插件支持如下基于schema.xml的配置:

 

图9

对于更高级的配置，HanLP分词器主要通过class path下的hanlp.properties进行配置，请阅读HanLP自然语言处理包文档以了解更多相关配置，如：

1.停用词

2.用户词典

3.词性标注

4.……

代码调用

在Query改写的时候，可以利用HanLPAnalyzer分词结果中的词性等属性，如

1. String text = "中华人民共和国很辽阔";
2. for (int i = 0; i < text.length(); ++i)
3. {
4. System.out.print(text.charAt(i) + "" + i + " ");
5. }
6. System.out.println();
7. Analyzer analyzer = new HanLPAnalyzer();
8. TokenStream tokenStream = analyzer.tokenStream("field", text);
9. tokenStream.reset();
10. while (tokenStream.incrementToken())
11. {
12. CharTermAttribute attribute = tokenStream.getAttribute(CharTermAttribute.class);
13. // 偏移量
14. OffsetAttribute offsetAtt = tokenStream.getAttribute(OffsetAttribute.class);
15. // 距离
16. PositionIncrementAttribute positionAttr = kenStream.getAttribute(PositionIncrementAttribute.class);
17. // 词性
18. TypeAttribute typeAttr = tokenStream.getAttribute(TypeAttribute.class);
19. System.out.printf("[%d:%d %d] %s/%s ", offsetAtt.startOffset(), offsetAtt.endOffset(), positionAttr.getPositionIncrement(), attribute, typeAttr.type());
20. }

 

在另一些场景，支持以自定义的分词器（比如开启了命名实体识别的分词器、繁体中文分词器、CRF分词器等）构造HanLPTokenizer，比如：

1. tokenizer = new HanLPTokenizer(HanLP.newSegment()
2. .enableJapaneseNameRecognize(true)
3. .enableIndexMode(true), null, false);
4. tokenizer.setReader(new StringReader("林志玲亮相网友:确定不是波多野结衣？"));
5. ...

反馈

技术问题请在Github上发issue ，大家一起讨论，也方便集中管理。博客留言、微博私信、邮件不受理任何HanLP相关的问题，谢谢合作！

反馈问题的时候请一定附上版本号、触发代码、输入输出，否则无法处理。

版权

Apache License Version 2.0

转载子码农场