生活随笔
收集整理的這篇文章主要介紹了
Lucene学习之——停用词
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
??????? 做中文文本聚類，研究中科院的imdict-chinese-analyzer分詞器時，我自己加載的停用詞表一直都跑不出正確的結果，于是，就追蹤lucene是怎么加載自己的停用詞表的。在源代碼的WordListLoader.java類中，發現了這樣的代碼：
public?static?HashSet?getWordSet(Reader?reader)?throws?IOException?{ ????HashSet?result?=?new?HashSet(); ????BufferedReader?br?=?null; ????try?{ ??????if?(reader?instanceof?BufferedReader)?{ ????????br?=?(BufferedReader)?reader; ??????}?else?{ ????????br?=?new?BufferedReader(reader); ??????} ??????String?word?=?null; ??????while?((word?=?br.readLine())?!=?null)?{ ????????result.add(word.trim()); ??????} ????} ????finally?{ ??????if?(br?!=?null) ????????br.close(); ????} ????return?result; ??}? 問題就變得清晰了，于是我在這行代碼中加入了輸出語句，把從文件中加載進去的停用詞打印出來。這樣，就找到了問題的根源了：停用詞表的編碼格式問題（我設置的編碼格式為：Unicode）
?????? 把研究的結果總結如下：
????? 1、Lucene支持的停用詞表文件有utf-8.
???? 2、停用詞表的格式很簡單：每詞一行.
?????3、Luence中支持停用詞的方式有5種（見org.apache.lucene.analysis.StopAnalyzer.java類的5種構造方法）：StopAnalyzer.java類默認停用詞，以String[]傳入，以Set傳入，以File傳入，以Reader傳入
???4、? 關于停用詞處理的參考代碼如下：
?
package?com.xh.TextClustering; ??import?java.io.File; ?import?java.io.IOException; ?import?java.io.StringReader; ??import?org.apache.lucene.analysis.Analyzer; ?import?org.apache.lucene.analysis.Token; ?import?org.apache.lucene.analysis.TokenStream; ?import?org.apache.lucene.index.CorruptIndexException; ?import?org.apache.lucene.store.LockObtainFailedException; ?public?class?StopAnalyzerTestChinese ?{ ???????static??String??source="我?是?中國人。"; ??????public?static?void?main(String?args[]) ??????{ ??????????Indexer(); ??????} ?????private?static?void?Indexer()? ?????{ ?????????????? ?????????try?{ ?????????????Analyzer?analyzer=new?StopAnalyzer(new?File("chinese_stopword.dic")); ??????????????????TokenStream?stream=analyzer.tokenStream("content",?new?StringReader(source)); ?????????????while(true) ?????????????{ ?????????????????Token?item=stream.next(); ?????????????????if(null==item)break; ?????????????????System.out.println("{"+item.termText()+"}"); ?????????????} ???????????}?catch?(CorruptIndexException?e)?{ ?????????????e.printStackTrace(); ?????????}?catch?(LockObtainFailedException?e)?{ ?????????????e.printStackTrace(); ?????????}?catch?(IOException?e)?{ ?????????????e.printStackTrace(); ?????????} ?????} ?}? 注：參考中文停用詞表在附件中。
總結
以上是生活随笔為你收集整理的Lucene学习之——停用词的全部內容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。
