lucene第一步---5.中文分词IKAnalyzer和高亮highlighter的使用最近工作比较忙，一直没有更新，还请见谅。 最
lucene第一步---5.中文分词IKAnalyzer和高亮highlighter的使用
最近工作比较忙，一直没有更新，还请见谅。
最近lucene已经更新到lucene 3.0版本了 2.X版本的一些用法已经彻底不在支持了。
下面的例子主要是介绍中文分词器IKAnalyzer的使用和Lucene高亮显示。
lucene 3.x版本中有些2.x方法已经完全被剔除了，这里会捎带一下3.x的用法，当然我这里用的还是2.X的版本。
lucene自带的分词方式对中文分词十分的不友好，基本上可以用惨不忍睹来形容，所以这里推荐使用IKAnalyzer进行中文分词。
IKAnalyzer分词器是一个非常优秀的中文分词器。
下面是官方文档上的介绍
采用了特有的“正向迭代最细粒度切分算法“，具有60万字/秒的高速处理能力。
采用了多子处理器分析模式，支持：英文字母（IP地址、Email、URL）、数字（日期，常用中文数量词，罗马数字，科学计数法），中文词汇（姓名、地名处理）等分词处理。
优化的词典存储，更小的内存占用。支持用户词典扩展定义.
针对Lucene全文检索优化的查询分析器
IKQueryParser(作者吐血推荐)；采用歧义分析算法优化查询关键字的搜索排列组合，能极大的提高Lucene检索的命中率。
1.IKAnalyzer的部署：将IKAnalyzer3.X.jar部署于项目的lib目录中；IKAnalyzer.cfg.xml与ext_stopword.dic文件放置在代码根目录下即可。
ok 部署完IKAnalyzer我们先来测试一下
package demo.test;import java.io.BufferedReader;import java.io.File;import java.io.FileInputStream;import java.io.IOException;import java.io.InputStreamReader;import org.apache.lucene.analysis.Analyzer;import org.apache.lucene.document.Document;import org.apache.lucene.document.Field;import org.apache.lucene.index.IndexWriter;import org.wltea.analyzer.lucene.IKAnalyzer;public class CreatIndex {@SuppressWarnings("deprecation")public static void main(String[] args) throws IOException {String path = "index";//索引目录Analyzer analyzer = new IKAnalyzer();//采用的分词器IndexWriter iwriter = new IndexWriter(path, analyzer, true); File dir = new File("data");//待索引的数据文件目录File[] files = dir.listFiles();for(int i=0;i<files.length;i++){Document doc = new Document();File file = files[i];FileInputStream fis = new FileInputStream(file);String content = "";BufferedReader reader = new BufferedReader(new InputStreamReader(fis)); StringBuffer buffer = new StringBuffer("");content = reader.readLine();while (content != null) { buffer.append(content); content = reader.readLine();}doc.add(new Field("title",file.getName(),Field.Store.YES,Field.Index.ANALYZED));doc.add(new Field("content",buffer.toString(),Field.Store.YES,Field.Index.ANALYZED));iwriter.addDocument(doc);}iwriter.close();}}3.对索引进行查询并进行高亮highlighter处理
package demo.test;
import java.io.File;
import java.io.IOException;
import java.io.StringReader;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.TokenStream;
import org.apache.lucene.document.Document;
import org.apache.lucene.index.Term;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TermQuery;
import org.apache.lucene.search.TopDocs;
import org.apache.lucene.search.highlight.Highlighter;
import org.apache.lucene.search.highlight.InvalidTokenOffsetsException;
import org.apache.lucene.search.highlight.QueryScorer;
import org.apache.lucene.search.highlight.SimpleFragmenter;
import org.apache.lucene.search.highlight.SimpleHTMLFormatter;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.wltea.analyzer.lucene.IKAnalyzer;
public class TestHighlighter {
@SuppressWarnings("deprecation")
public static void main(String[] args) throws IOException, InvalidTokenOffsetsException {
String path = "index";//索引目录
Directory dir = FSDirectory.getDirectory(new File(path));
IndexSearcher search = new IndexSearcher(dir);
Term term = new Term("content","纯粹");
Query query = new TermQuery(term);
TopDocs topDocs = search.search(query, 10);
ScoreDoc[] hits = topDocs.scoreDocs;
//正常产生的查询
for(int i=0;i<hits.length;i++){
Document doc = search.doc(hits[i].doc);
System.out.print(doc.get("title")+":");
System.out.println(doc.get("content"));
}
//高亮设置
Analyzer analyzer = new IKAnalyzer();//设定分词器
SimpleHTMLFormatter simpleHtmlFormatter = new SimpleHTMLFormatter("<B>","</B>");//设定高亮显示的格式，也就是对高亮显示的词组加上前缀后缀
Highlighter highlighter = new Highlighter(simpleHtmlFormatter,new QueryScorer(query));
highlighter.setTextFragmenter(new SimpleFragmenter(150));//设置每次返回的字符数.想必大家在使用搜索引擎的时候也没有一并把全部数据展示出来吧，当然这里也是设定只展示部分数据
for(int i=0;i<hits.length;i++){
Document doc = search.doc(hits[i].doc);
TokenStream tokenStream = analyzer.tokenStream("",new StringReader(doc.get("content")));
String str = highlighter.getBestFragment(tokenStream, doc.get("content"));
System.out.println(str);
}
}
}
大家可以看到对于关键词的数据已经进行高亮处理了。 “中后期，不少群组改名<B>纯粹</B>是赶潮流和恶搞。”
