Solr搜索引擎第六篇-Solr集成中文分词器IKAnalyzer

在 Lucene搜索引擎-分词器一篇中讲述到Lucene如何集成中文分词器IKAnalyzer，这里Solr集成中文分词器IKAnalyzer是在此基础之上的，这里的solr版本为7.5。

第一步：新建java maven工程

pom.xml引入中文分词器IKAnalyzer

<!-- ikanalyzer 中文分词器  -->
<dependency>
	<groupId>com.janeluo</groupId>
	<artifactId>ikanalyzer</artifactId>
	<version>2012_u6</version>

	<exclusions>
		<exclusion>
			<groupId>org.apache.lucene</groupId>
			<artifactId>lucene-core</artifactId>
		</exclusion>
		<exclusion>
			<groupId>org.apache.lucene</groupId>
			<artifactId>lucene-queryparser</artifactId>
		</exclusion>
		<exclusion>
			<groupId>org.apache.lucene</groupId>
			<artifactId>lucene-analyzers-common</artifactId>
		</exclusion>
	</exclusions>
</dependency>

第二步：定义三个java类

IKAnalyzer4Lucene7：

package com.dalomao.framework.lucene.analizer.ik;

import org.apache.lucene.analysis.Analyzer;

public class IKAnalyzer4Lucene7 extends Analyzer {

	private boolean useSmart = false;

	public IKAnalyzer4Lucene7() {
		this(false);
	}

	public IKAnalyzer4Lucene7(boolean useSmart) {
		super();
		this.useSmart = useSmart;
	}

	public boolean isUseSmart() {
		return useSmart;
	}

	public void setUseSmart(boolean useSmart) {
		this.useSmart = useSmart;
	}

	@Override
	protected TokenStreamComponents createComponents(String fieldName) {
		IKTokenizer4Lucene7 tk = new IKTokenizer4Lucene7(this.useSmart);
		return new TokenStreamComponents(tk);
	}

}

IKTokenizer4Lucene7：

package com.dalomao.framework.lucene.analizer.ik;

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;

import java.io.IOException;

public class IKTokenizer4Lucene7 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;

	/**
	 * @param
	 * @param useSmart
	 */
	public IKTokenizer4Lucene7(boolean useSmart) {
		super();
		offsetAtt = addAttribute(OffsetAttribute.class);
		termAtt = addAttribute(CharTermAttribute.class);
		typeAtt = addAttribute(TypeAttribute.class);
		_IKImplement = new IKSegmenter(input, useSmart);
	}

	/*
	 * (non-Javadoc)
	 * 
	 * @see org.apache.lucene.analysis.TokenStream#incrementToken()
	 */
	@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(nextLexeme.getLexemeTypeString());
			// 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;
	}

	/*
	 * (non-Javadoc)
	 * 
	 * @see org.apache.lucene.analysis.Tokenizer#reset(java.io.Reader)
	 */
	@Override
	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);
	}
}

IKTokenizer4Lucene7Factory：

package com.dalomao.framework.lucene.analizer.ik;

import java.util.Map;
import org.apache.lucene.analysis.Tokenizer;
import org.apache.lucene.analysis.util.TokenizerFactory;
import org.apache.lucene.util.AttributeFactory;

public class IKTokenizer4Lucene7Factory extends TokenizerFactory
{
  private boolean useSmart = false;

  public IKTokenizer4Lucene7Factory(Map<String, String> args) {
    super(args);
    String useSmartParm = (String)args.get("useSmart");
    if ("true".equalsIgnoreCase(useSmartParm))
      this.useSmart = true;
  }

  public Tokenizer create(AttributeFactory factory)
  {
    return new IKTokenizer4Lucene7(this.useSmart);
  }
}

第三步：定义三个配置文件

扩展词：lucene_ext.dic

厉害了我的国

停用词：lucene_ext_stopword.dic

,
?
、
我
的
你

IK配置文件：IKAnalyzer.cfg.xml

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">  
<properties>  
	<comment>IK Analyzer 扩展配置</comment>
	<!--用户可以在这里配置自己的扩展字典 -->
	<entry key="ext_dict">lucene_ext.dic</entry>
	
	<!--用户可以在这里配置自己的扩展停止词字典-->
	<entry key="ext_stopwords">lucene_ext_stopword.dic</entry>
</properties>

第四步：打包三个类为jar

将前面定义的三个类达成jar包，命名为IKAnalyzer-lucene7.5.jar。
备注：具体如何打包请参看IntelliJ IDEA单独对java类打JAR包

第五步：拷贝IKAnalyzer-lucene7.5.jar和ikanalyzer-2012_u6.jar

将这个IKAnalyzer-lucene7.5.jar和 IKAnalyzer的jar（ikanalyzer-2012_u6.jar）拷贝到solr的web应用的lib目录下（solr-7.5.0/server/solr-webapp/webapp/WEB-INF/lib）

第六步：拷贝配置文件

将之前定义的三个配置文件拷贝到solr安装目录的应用classes目录下（ solr-7.3.0/server/solr-webapp/webapp/WEB-INF/classes），如果没有classes目录则需要新建

第七步：定义新的FieldType

在内核主目录下conf/managed-schema.xml文件中定义一个新的FieldType，如下：

<fieldType name="zh_CN_text" class="solr.TextField">
    <analyzer>
        <tokenizer class="com.dalomao.framework.lucene.analizer.ik.IKTokenizer4Lucene7Factory" useSmart="true" /> 
    </analyzer>
</fieldType>

测试

以上全部步骤做完以后，重启Solr服务器实例，然后登陆web测试

测试成功！