以前發(fā)布過HanLP的Lucene插件，后來很多人跟我說其實(shí)Solr更流行（反正我是覺得既然Solr是Lucene的子項(xiàng)目，那么稍微改改配置就能支持Solr），于是就抽空做了個(gè)Solr插件出來，開源在Github上，歡迎改進(jìn)。

HanLP中文分詞solr插件支持Solr5.x，兼容Lucene5.x。

圖1

快速上手

1、將和hanlp-solr-plugin.jar共兩個(gè)jar放入${webapp}/WEB-INF/lib下

2、修改solr?core的配置文件${core}/conf/schema.xml：

??

??????

??????????

??????

??????

??????????

??????????

??????

??

??

??

??

Solr5中文分詞器詳細(xì)配置

對(duì)于新手來說，上面的兩步可能太簡略了，不如看看下面的step?by?step。本教程使用Solr5.2.1，理論上兼容solr5.x。

放置jar

將上述兩個(gè)jar放到solr-5.2.1/server/solr-webapp/webapp/WEB-INF/lib目錄下。如果你想自定義詞典等數(shù)據(jù)，將hanlp.properties放到solr-5.2.1/server/resources，該目錄也是log4j.properties等配置文件的放置位置。HanLP文檔一直在說“將配置文件放到resources目錄下”，指的就是這個(gè)意思。作為Java程序員，這是基本常識(shí)。

啟動(dòng)solr

首先在solr-5.2.1\bin目錄下啟動(dòng)solr：

1.solr?start?-f

用瀏覽器打開http://localhost:8983/solr/#/，看到如下頁面說明一切正常：

圖2

創(chuàng)建core

在solr-5.2.1\server\solr下新建一個(gè)目錄，取個(gè)名字比如叫one，將示例配置文件solr-5.2.1\server\solr\configsets\sample_techproducts_configs\conf拷貝過來，接著修改schema.xml中的默認(rèn)域type，搜索

1.???

2.?...

3.?

?

替換為

1.?

4.?

5.?

6.?

7.?

8.?

11.?

12.?

13.?

14.?

15.?

16.?

17.?

18.?

19.?

?

意思是默認(rèn)文本字段類型啟用HanLP分詞器，text_general還開啟了solr默認(rèn)的各種filter。

solr允許為不同的字段指定不同的分詞器，由于絕大部分字段都是text_general類型的，可以說這種做法比較適合新手。如果你是solr老手的話，你可能會(huì)更喜歡單獨(dú)為不同的字段指定不同的分詞器及其他配置。如果你的業(yè)務(wù)系統(tǒng)中有其他字段，比如location，summary之類，也需要一一指定其type="text_general"。切記，否則這些字段仍舊是solr默認(rèn)分詞器，會(huì)造成這些字段“搜索不到”。

另外，切記不要在query中開啟indexMode，否則會(huì)影響PhaseQuery。indexMode只需在index中開啟一遍即可，要不然它怎么叫indexMode呢。

如果你不需要solr提供的停用詞、同義詞等filter，如下配置可能更適合你：

1.?

2.??????

3.??????????

4.??????

5.??????

6.??????????

7.??????????

8.??????

9.??

10.??

11.??

12.??

完成了之后在solr的管理界面導(dǎo)入這個(gè)core?one：

?

圖3

接著就能在下拉列表中看到這個(gè)core了：

?

圖4

上傳測試文檔

修改好了，就可以拿一些測試文檔來試試效果了。hanlp-solr-plugin代碼庫中的src/test/resources下有個(gè)測試文檔集合documents.csv，其內(nèi)容如下：

1.?id,title

2.?1,你好世界

3.?2,商品和服務(wù)

4.?3,和服的價(jià)格是每鎊15便士

5.?4,服務(wù)大眾

6.?5,hanlp工作正常

?

代表著id從1到5共五個(gè)文檔，接下來復(fù)制solr-5.2.1\example\exampledocs下的上傳工具post.jar到resources目錄，利用如下命令行將數(shù)據(jù)導(dǎo)入：

1.?java?-Dc=one?-Dtype=application/csv?-jar?post.jar?*.csv

Windows用戶的話直接雙擊該目錄下的upload.cmd即可，Linux用戶運(yùn)行upload.sh。

正常情況下輸出如下結(jié)果：

1.?SimplePostTool?version?5.0.0

2.?Posting?files?to?[base]?url?http://localhost:8983/solr/one/update?using?content-

3.?type?application/csv...

4.?POSTing?file?documents.csv?to?[base]

5.?1?files?indexed.

6.?COMMITting?Solr?index?changes?to?http://localhost:8983/solr/one/update...

7.?Time?spent:?0:00:00.059

8.?請(qǐng)按任意鍵繼續(xù).?.?.

?

同時(shí)刷新一下core?one的Overview，的確看到了5篇文檔：

?

圖5

搜索文檔

是時(shí)候看看HanLP分詞的效果了，點(diǎn)擊左側(cè)面板的Query，輸入“和服”試試：

?

圖6

發(fā)現(xiàn)精確地查到了“和服的價(jià)格是每鎊15便士”，而不是“商品和服務(wù)”這種錯(cuò)誤文檔：

?

圖7

這說明HanLP工作良好。

要知道，不少中文分詞器眉毛胡子一把抓地命中“商品和服務(wù)”這種錯(cuò)誤文檔，降低了查準(zhǔn)率，拉低了用戶體驗(yàn)，跟原始的MySQL?LIKE有何區(qū)別？

索引模式的功能

索引模式可以對(duì)長詞進(jìn)行全切分，得到其中蘊(yùn)含的所有詞匯。比如“中醫(yī)藥大學(xué)附屬醫(yī)院”在HanLP索引分詞模式下的切分結(jié)果為：

1.?中0?醫(yī)1?藥2?大3?學(xué)4?附5?屬6?醫(yī)7?院8?

2.?[0:3?1]?中醫(yī)藥/n

3.?[0:2?1]?中醫(yī)/n

4.?[1:3?1]?醫(yī)藥/n

5.?[3:5?1]?大學(xué)/n

6.?[5:9?1]?附屬醫(yī)院/nt

7.?[5:7?1]?附屬/vn

8.?[7:9?1]?醫(yī)院/n

開啟indexMode后，無論用戶搜索“中醫(yī)”“中醫(yī)藥”還是“醫(yī)藥”，都會(huì)搜索到“中醫(yī)藥大學(xué)附屬醫(yī)院”：

?

圖8

高級(jí)配置

目前本插件支持如下基于schema.xml的配置:

?

圖9

對(duì)于更高級(jí)的配置，HanLP分詞器主要通過class?path下的hanlp.properties進(jìn)行配置，請(qǐng)閱讀HanLP自然語言處理包文檔以了解更多相關(guān)配置，如：

1.停用詞

2.用戶詞典

3.詞性標(biāo)注

4.……

代碼調(diào)用

在Query改寫的時(shí)候，可以利用HanLPAnalyzer分詞結(jié)果中的詞性等屬性，如

1.?String?text?=?"中華人民共和國很遼闊";

2.?for?(int?i?=?0;?i?

3.?{

4.?????System.out.print(text.charAt(i)?+?""?+?i?+?"?");

5.?}

6.?System.out.println();

7.?Analyzer?analyzer?=?new?HanLPAnalyzer();

8.?TokenStream?tokenStream?=?analyzer.tokenStream("field",?text);

9.?tokenStream.reset();

10.?while?(tokenStream.incrementToken())

11.?{

12.?????CharTermAttribute?attribute?=?tokenStream.getAttribute(CharTermAttribute.class);

13.?????//?偏移量

14.?????OffsetAttribute?offsetAtt?=?tokenStream.getAttribute(OffsetAttribute.class);

15.?????//?距離

16.?????PositionIncrementAttribute?positionAttr?=?kenStream.getAttribute(PositionIncrementAttribute.class);

17.?????//?詞性

18.?????TypeAttribute?typeAttr?=?tokenStream.getAttribute(TypeAttribute.class);

19.?????System.out.printf("[%d:%d?%d]?%s/%s\n",?offsetAtt.startOffset(),?offsetAtt.endOffset(),?positionAttr.getPositionIncrement(),?attribute,?typeAttr.type());

20.?}

?

在另一些場景，支持以自定義的分詞器（比如開啟了命名實(shí)體識(shí)別的分詞器、繁體中文分詞器、CRF分詞器等）構(gòu)造HanLPTokenizer，比如：

1.?tokenizer?=?new?HanLPTokenizer(HanLP.newSegment()

2.?????????????????????.enableJapaneseNameRecognize(true)

3.?????????????????????.enableIndexMode(true),?null,?false);

4.?tokenizer.setReader(new?StringReader("林志玲亮相網(wǎng)友:確定不是波多野結(jié)衣？"));

5.?...

文章來源于網(wǎng)絡(luò)