我想在lucene项目中使用WikipediaTokenizer-http://lucene.apache.org/java/3_0_2/api/contrib-wikipedia/org/apache/lucene/wikipedia/analysis/WikipediaTokenizer.html但我从未使用过lucene。我只想将Wikipedia字符串转换为令牌列表。但是,我看到此类中只有四种方法可用,分别是end,incrementToken,reset,reset(reader)。有人可以给我指出一个使用它的例子。

谢谢。

最佳答案

在Lucene 3.0中,删除了next()方法。现在,您应该使用增量令牌遍历令牌,并且在到达输入流的末尾时将返回false。要获取每个令牌,应使用AttributeSource类的方法。根据要获取的属性(术语,类型,有效负载等),您需要使用addAttribute方法将相应属性的类类型添加到令牌生成器中。

以下部分代码示例来自WikipediaTokenizer的测试类,如果您下载Lucene的源代码,则可以找到该类。

...
WikipediaTokenizer tf = new WikipediaTokenizer(new StringReader(test));
int count = 0;
int numItalics = 0;
int numBoldItalics = 0;
int numCategory = 0;
int numCitation = 0;
TermAttribute termAtt = tf.addAttribute(TermAttribute.class);
TypeAttribute typeAtt = tf.addAttribute(TypeAttribute.class);

while (tf.incrementToken()) {
  String tokText = termAtt.term();
  //System.out.println("Text: " + tokText + " Type: " + token.type());
  String expectedType = (String) tcm.get(tokText);
  assertTrue("expectedType is null and it shouldn't be for: " + tf.toString(), expectedType != null);
  assertTrue(typeAtt.type() + " is not equal to " + expectedType + " for " + tf.toString(), typeAtt.type().equals(expectedType) == true);
  count++;
  if (typeAtt.type().equals(WikipediaTokenizer.ITALICS)  == true){
    numItalics++;
  } else if (typeAtt.type().equals(WikipediaTokenizer.BOLD_ITALICS)  == true){
    numBoldItalics++;
  } else if (typeAtt.type().equals(WikipediaTokenizer.CATEGORY)  == true){
    numCategory++;
  }
  else if (typeAtt.type().equals(WikipediaTokenizer.CITATION)  == true){
    numCitation++;
  }
}
...

10-07 19:21
查看更多