【lucene系列学习四】使用IKAnalyzer分词器实现敏感词和停用词过滤

Lucene自带的中文分词器SmartChineseAnalyzer不太好扩展，于是我用了IKAnalyzer来进行敏感词和停用词的过滤。

首先，下载IKAnalyzer,我下载了

然后，由于IKAnalyzer已经很久不更新了，不兼容现在的Lucene6版本，所以我参考网上的资料，重写了IKTokenizer和IKAnalyzer两个类。

package kidsearch;
import java.io.IOException;
import java.io.Reader;

import org.apache.lucene.analysis.Tokenizer;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;
import org.apache.lucene.analysis.tokenattributes.TypeAttribute;
import org.wltea.analyzer.core.IKSegmenter;
import org.wltea.analyzer.core.Lexeme;

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, true);
    }

    public MyIKTokenizer(Reader in, boolean useSmart) {
        offsetAtt = addAttribute(OffsetAttribute.class);
        termAtt = addAttribute(CharTermAttribute.class);
        typeAtt = addAttribute(TypeAttribute.class);
        _IKImplement = new IKSegmenter(input, useSmart);
    }

    @Override
    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(String.valueOf(nextLexeme.getLexemeType()));
            // 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;
    }

    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);
    }

}

package kidsearch;
import java.io.Reader;
import java.io.StringReader;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.util.IOUtils;
import kidsearch.MyIKTokenizer;
public class MyIkAnalyzer extends Analyzer {

    @Override
    protected TokenStreamComponents createComponents(String arg0) {
        Reader reader=null;
        try{
            reader=new StringReader(arg0);
            MyIKTokenizer it = new MyIKTokenizer(reader);
            return new Analyzer.TokenStreamComponents(it);
        }finally {
            IOUtils.closeWhileHandlingException(reader);
        }
    }

}

参考的博客里有一部分是错误的

于是我又下载了IKAnalyzer的源码，仔细看了一下Lexeme.java，发现没有这个方法，只有getLexemeType，而且返回值是int,于是自己做了点小改动，终于编译通过了！

值得注意的是，MyIKTokenizer里

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

true为选择智能划分（北京师范大学），而false为最细粒度划分（北京师范大学，北京，京师，师范大学，师范，大学）。

最后，要配置自己的停用词和敏感词。

自定义词典一定要使用UTF-8无BOM编码，否则不能实现过滤功能。

然后，在配置文件IKAnalyzer.cfg.xml里配置自定义词典

最后，分别把所有的自定义词典和IKAnalyzer.cfg.xml加到工程里的src（为了保险起见，我又把他们加到了bin里，IK的jar包里也加了）。

为了测试停用词的效果，可以自己写几个小程序。

import java.io.IOException;
import java.io.StringReader;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
import org.wltea.analyzer.cfg.Configuration;
import org.wltea.analyzer.cfg.DefaultConfig;
import org.wltea.analyzer.core.IKSegmenter;
import org.wltea.analyzer.core.Lexeme;
import org.wltea.analyzer.lucene.IKAnalyzer;

public class OwnIKAnalyzer {
    public static void main(String[] args) throws IOException {  
        String text="我有一个红红的苹果";
        StringReader sr=new StringReader(text);  
    //    IKSegmenter ik=new IKSegmenter(sr, true);  
        IKSegmenter ik=new IKSegmenter(sr,true); 
        Lexeme lex=null;  
        while((lex=ik.next())!=null){  
            System.out.print(lex.getLexemeText()+"，");  
        }  
//        String text = "这是一个红红的苹果";  
//        Configuration configuration = DefaultConfig.getInstance();  
//        configuration.setUseSmart(true);  
//        IKSegmenter ik = new IKSegmenter(new StringReader(text), configuration);  
//        Lexeme lexeme = null;  
//        while ((lexeme = ik.next()) != null) {  
//            System.out.println(lexeme.getLexemeText());  
        }  
    }  

测试结果为：（词典里并没有过滤“我”）

另外，IKAnalyzer可以配置自己的扩展词典，比如“你的名字”本来会被分词为“你，的，名字”,但是在ext.dic里加入“你的名字”后就是一个完整的整体，不会被切分了！

关于IKAnalyzer词语过滤的功能今天就做了多，以后还会继续补充~