lucene - 如何在Lucene中合并两个标记器(japaneseanalyzer和standardanalyzer)

我正在使用lucene 4.3.0，并希望用英文和日文字符标记文档。

    An example is like "LEICA S２ カタログ （新品）"
    The StandardAnalyzer "[leica] [s２] [カタログ] [新] [品]"
    The JapaneseAnalyzer "[leica] [s] [2] [カタログ] [新品]"

在我的项目的应用中，StandardAnalyzer的英文字符更好，例如[s２]比[s] [2]好。 JapaneseAnalyzer对日语更好，例如[新品]到[新] [品]。另外，JapaneseAnalyzer具有将全角字符“２”转换为“2”的良好功能。

    If I want the tokens to be [leica] [s2] [カタログ] [新品], it means:
    1) English and numbers are tokenized by StandardAnalyzer. [leica] [s2]
    2) Japanese are tokenized by JapaneseAnalyzer. [カタログ] [新品]
    3) fullwidth character are converted to halfwidth by a filter. [s２]=>[s2]
    how to implement this custom analyzer?

最佳答案

我要尝试的第一件事是弄乱传递给JapaneseAnalyzer的参数，尤其是Tokenizer.Mode(我对日语的结构一无所知，因此我对这些选项的目的没有任何帮助)。

除非那个

您需要为此创建自己的分析器。除非您愿意编写自己的Tokenizer，否则最终结果可能是尽力而为的。创建分析器非常简单，创建标记器将意味着定义您自己的语法，这并不那么简单。

查看JapaneseAnalyzer和StandardAnalyzer的代码，特别是对createComponents的调用，这是创建自定义分析器所需的全部操作。

假设您得出的结论是StandardTokenizer对您来说是正确的，但是否则我们将主要使用日语过滤器集，它可能类似于:

@Override
protected TokenStreamComponents createComponents(String fieldName, Reader reader) {
    //For your Tokenizer, you might consider StandardTokenizer, JapaneseTokenizer, or CharTokenizer
    Tokenizer tokenizer = new StandardTokenizer(version, reader);
    TokenStream stream = new StandardFilter(version, tokenizer);
    stream = new JapaneseBaseFormFilter(stream);
    stream = new LowerCaseFilter(matchVersion, stream);  //In JapaneseAnalyzer, a lowercasefilter comes at the end, further proving I don't know Japanese.
    stream = new JapanesePartOfSpeechStopFilter(true, stream, stoptags);
    stream = new CJKWidthFilter(stream);  //Note this WidthFilter!  I believe this does the char width transform you are looking for.
    stream = new StopFilter(matchVersion, stream, stopwords);
    stream = new JapaneseKatakanaStemFilter(stream);
    stream = new PorterStemFilter(stream); //Nothing stopping you using a second stemmer, really.
    return new TokenStreamComponents(tokenizer, stream);
}

这是一个完全随机的实现，来自一个不了解问题的人，但希望它为实现更有意义的分析器指明了道路。在该过滤器链中应用过滤器的顺序很重要，因此请务必小心(即，英语中，LowerCaseFilter通常在较早时应用，这样，像Stemmers这样的事情就不必担心大小写)。