Java Lucene NGramTokenizer
我正在尝试将字符串标记为ngrams。 奇怪的是,在NGramTokenizer的文档中,我没有看到一个方法会返回被标记化的单个ngrams。 实际上我只在NGramTokenizer类中看到两个返回String Objects的方法。
这是我的代码:
Reader reader = new StringReader("This is a test string"); NGramTokenizer gramTokenizer = new NGramTokenizer(reader, 1, 3);
- 被标记化的ngrams在哪里?
- 如何在字符串/单词中获得输出?
我希望我的输出如下:这,是,a,测试,字符串,这是,是一个测试,测试字符串,这是一个测试,一个测试字符串。
我不认为你会找到你想找到返回String的方法。 你需要处理属性 。
应该是这样的:
Reader reader = new StringReader("This is a test string"); NGramTokenizer gramTokenizer = new NGramTokenizer(reader, 1, 3); CharTermAttribute charTermAttribute = gramTokenizer.addAttribute(CharTermAttribute.class); gramTokenizer.reset(); while (gramTokenizer.incrementToken()) { String token = charTermAttribute.toString(); //Do something } gramTokenizer.end(); gramTokenizer.close();
但是,如果需要在那之后重新使用,请务必重置()Tokenizer。
每个评论标记字组的分组,而不是字符:
Reader reader = new StringReader("This is a test string"); TokenStream tokenizer = new StandardTokenizer(Version.LUCENE_36, reader); tokenizer = new ShingleFilter(tokenizer, 1, 3); CharTermAttribute charTermAttribute = tokenizer.addAttribute(CharTermAttribute.class); while (tokenizer.incrementToken()) { String token = charTermAttribute.toString(); //Do something }
对于最新版本的Lucene(4.2.1),这是一个干净的代码。 在执行此代码之前,您必须导入2个jar文件:
- Lucene的核心 – 4.2.1.jar
- Lucene的-analuzers-共4.2.1.jar
在http://www.apache.org/dyn/closer.cgi/lucene/java/4.2.1上找到这些文件
//LUCENE 4.2.1 Reader reader = new StringReader("This is a test string"); NGramTokenizer gramTokenizer = new NGramTokenizer(reader, 1, 3); CharTermAttribute charTermAttribute = gramTokenizer.addAttribute(CharTermAttribute.class); while (gramTokenizer.incrementToken()) { String token = charTermAttribute.toString(); System.out.println(token); }
在没有创建测试程序的情况下,我猜想incrementToken()会返回下一个将成为ngrams之一的标记。
例如,使用字符串’abc d’的ngram长度为1-3,NGramTokenizer可以返回:
a ab abc b bc bcd c cd d
其中’a’,’a b’等是由此产生的ngrams。
[编辑]
您可能还想查看在没有索引的情况下查询lucene令牌 ,因为它讨论了偷看令牌流。
包装ngramalgoimpl; import java.util。*;
公共课ngr {
public static List n_grams(int n, String str) { List n_grams = new ArrayList (); String[] words = str.split(" "); for (int i = 0; i < words.length - n + 1; i++) n_grams.add(concatination(words, i, i+n)); return n_grams; } /*stringBuilder is used to cancatinate mutable sequence of characters*/ public static String concatination(String[] words, int start, int end) { StringBuilder sb = new StringBuilder(); for (int i = start; i < end; i++) sb.append((i > start ? " " : "") + words[i]); return sb.toString(); } public static void main(String[] args) { for (int n = 1; n <= 3; n++) { for (String ngram : n_grams(n, "This is my car.")) System.out.println(ngram); System.out.println(); } }
}