专栏首页hadoop学习笔记全文检索Solr集成HanLP中文分词

全文检索Solr集成HanLP中文分词

以前发布过HanLP的Lucene插件,后来很多人跟我说其实Solr更流行(反正我是觉得既然Solr是Lucene的子项目,那么稍微改改配置就能支持Solr),于是就抽空做了个Solr插件出来,开源在Github上,欢迎改进。

HanLP中文分词solr插件支持Solr5.x,兼容Lucene5.x。

快速上手

1、将hanlp-portable.jarhanlp-solr-plugin.jar共两个jar放入${webapp}/WEB-INF/lib下

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

  <fieldType name="text_cn" class="solr.TextField">

      <analyzer type="index">

          <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="true"/>

      </analyzer>

      <analyzer type="query">

          <!-- 切记不要在query中开启index模式 -->

          <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="false"/>

      </analyzer>

  </fieldType>

  <!-- 业务系统中需要分词的字段都需要指定type为text_cn -->

  <field name="my_field1" type="text_cn" indexed="true" stored="true"/>

  <field name="my_field2" type="text_cn" indexed="true" stored="true"/>

Solr5中文分词器详细配置

对于新手来说,上面的两步可能太简略了,不如看看下面的step by step。本教程使用Solr5.2.1,理论上兼容solr5.x。

放置jar

将上述两个jar放到solr-5.2.1/server/solr-webapp/webapp/WEB-INF/lib目录下。如果你想自定义词典等数据,将hanlp.properties放到solr-5.2.1/server/resources,该目录也是log4j.properties等配置文件的放置位置。HanLP文档一直在说“将配置文件放到resources目录下”,指的就是这个意思。作为Java程序员,这是基本常识。

启动solr

首先在solr-5.2.1\bin目录下启动solr:

1.solr start -f

用浏览器打开http://localhost:8983/solr/#/,看到如下页面说明一切正常:

创建core

在solr-5.2.1\server\solr下新建一个目录,取个名字比如叫one,将示例配置文件solr-5.2.1\server\solr\configsets\sample_techproducts_configs\conf拷贝过来,接着修改schema.xml中的默认域type,搜索

1.   <fieldType name="text_general" class="solr.TextField" positionIncrementGap="100">

2. ...

3. </fieldType>

替换为

1. <!-- 默认文本类型: 指定使用HanLP分词器,同时开启索引模式。

2. 通过solr自带的停用词过滤器,使用"stopwords.txt"(默认空白)过滤。

3. 在搜索的时候,还支持solr自带的同义词词典。-->

4. <fieldType name="text_general" class="solr.TextField" positionIncrementGap="100">

5. <analyzer type="index">

6. <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="true"/>

7. <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />

8. <!-- 取消注释可以启用索引期间的同义词词典

9. <filter class="solr.SynonymFilterFactory" synonyms="index_synonyms.txt" ignoreCase="true" expand="false"/>

10. -->

11. <filter class="solr.LowerCaseFilterFactory"/>

12. </analyzer>

13. <analyzer type="query">

14. <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="true"/>

15. <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" />

16. <filter class="solr.SynonymFilterFactory" synonyms="synonyms.txt" ignoreCase="true" expand="true"/>

17. <filter class="solr.LowerCaseFilterFactory"/>

18. </analyzer>

19. </fieldType>

意思是默认文本字段类型启用HanLP分词器,text_general还开启了solr默认的各种filter。

solr允许为不同的字段指定不同的分词器,由于绝大部分字段都是text_general类型的,可以说这种做法比较适合新手。如果你是solr老手的话,你可能会更喜欢单独为不同的字段指定不同的分词器及其他配置。如果你的业务系统中有其他字段,比如location,summary之类,也需要一一指定其type="text_general"。切记,否则这些字段仍旧是solr默认分词器,会造成这些字段“搜索不到”。

另外,切记不要在query中开启indexMode,否则会影响PhaseQuery。indexMode只需在index中开启一遍即可,要不然它怎么叫indexMode呢。

如果你不需要solr提供的停用词、同义词等filter,如下配置可能更适合你:

1. <fieldType name="text_cn" class="solr.TextField">

2.      <analyzer type="index">

3.          <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="true"/>

4.      </analyzer>

5.      <analyzer type="query">

6.          <!-- 切记不要在query中开启index模式 -->

7.          <tokenizer class="com.hankcs.lucene.HanLPTokenizerFactory" enableIndexMode="false"/>

8.      </analyzer>

9.  </fieldType>

10.  <!-- 业务系统中需要分词的字段都需要指定type为text_cn -->

11.  <field name="my_field1" type="text_cn" indexed="true" stored="true"/>

12.  <field name="my_field2" type="text_cn" indexed="true" stored="true"/>

完成了之后在solr的管理界面导入这个core one:

接着就能在下拉列表中看到这个core了:

上传测试文档

修改好了,就可以拿一些测试文档来试试效果了。hanlp-solr-plugin代码库中的src/test/resources下有个测试文档集合documents.csv,其内容如下:

1. id,title

2. 1,你好世界

3. 2,商品和服务

4. 3,和服的价格是每镑15便士

5. 4,服务大众

6. 5,hanlp工作正常

代表着id从1到5共五个文档,接下来复制solr-5.2.1\example\exampledocs下的上传工具post.jar到resources目录,利用如下命令行将数据导入:

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

Windows用户的话直接双击该目录下的upload.cmd即可,Linux用户运行upload.sh。

正常情况下输出如下结果:

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. 请按任意键继续. . .

同时刷新一下core one的Overview,的确看到了5篇文档:

搜索文档

是时候看看HanLP分词的效果了,点击左侧面板的Query,输入“和服”试试:

发现精确地查到了“和服的价格是每镑15便士”,而不是“商品和服务”这种错误文档:

这说明HanLP工作良好。

要知道,不少中文分词器眉毛胡子一把抓地命中“商品和服务”这种错误文档,降低了查准率,拉低了用户体验,跟原始的MySQL LIKE有何区别?

索引模式的功能

索引模式可以对长词进行全切分,得到其中蕴含的所有词汇。比如“中医药大学附属医院”在HanLP索引分词模式下的切分结果为:

1. 中0 医1 药2 大3 学4 附5 属6 医7 院8 

2. [0:3 1] 中医药/n

3. [0:2 1] 中医/n

4. [1:3 1] 医药/n

5. [3:5 1] 大学/n

6. [5:9 1] 附属医院/nt

7. [5:7 1] 附属/vn

8. [7:9 1] 医院/n

开启indexMode后,无论用户搜索“中医”“中医药”还是“医药”,都会搜索到“中医药大学附属医院”:

高级配置

目前本插件支持如下基于schema.xml的配置:

对于更高级的配置,HanLP分词器主要通过class path下的hanlp.properties进行配置,请阅读HanLP自然语言处理包文档以了解更多相关配置,如:

1.停用词

2.用户词典

3.词性标注

4.……

代码调用

在Query改写的时候,可以利用HanLPAnalyzer分词结果中的词性等属性,如

1. String text = "中华人民共和国很辽阔";

2. for (int i = 0; i < text.length(); ++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.     // 距离

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

17.     // 词性

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. }

在另一些场景,支持以自定义的分词器(比如开启了命名实体识别的分词器、繁体中文分词器、CRF分词器等)构造HanLPTokenizer,比如:

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

2.                     .enableJapaneseNameRecognize(true)

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

4. tokenizer.setReader(new StringReader("林志玲亮相网友:确定不是波多野结衣?"));

5. ...

反馈

技术问题请在Github上发issue ,大家一起讨论,也方便集中管理。博客留言、微博私信、邮件不受理任何HanLP相关的问题,谢谢合作!

反馈问题的时候请一定附上版本号、触发代码、输入输出,否则无法处理。

版权

Apache License Version 2.0

转载子码农场

原文链接:https://blog.csdn.net/adnb34g/article/details/82853330

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 大快DKH大数据网络爬虫安装教程(详细图文步骤)

    爬虫安装前准备工作:大快大数据平台安装完成、zookeeper、redis、elasticsearch、mysql等组件安装启动成功。

    IT小白龙
  • 基于结构化感知机的词性标注与命名实体识别框架

    上周就关于《结构化感知机标注框架的内容》已经分享了一篇《分词工具Hanlp基于感知机的中文分词框架》,本篇接上一篇内容,继续分享词性标注与命名实体识别框架的内容...

    IT小白龙
  • HanLP vs LTP 分词功能测试

    文章摘自github,本次测试选用 HanLP 1.6.0 , LTP 3.4.0

    IT小白龙
  • solr使用教程四【面试+工作】

    Java帮帮
  • 搜索服务solr 一二事(1) - solr-5.5 使用自带Jetty或者tomcat 搭建单机版搜索服务器

    solr,什么是solr,就是你要吃的东西“馊了”,不能吃了,out of date~ 嘛。。。开个玩笑,发音就是‘搜了’,专门用于搜索的一个开源框架,lunc...

    风间影月
  • solr install

         Solr是一个独立的企业及搜索应用服务器,它对外提供类似于Web-service的API接口。用户可以通过http请求,向搜索引擎服务器提交一定格式的...

    week
  • solr安装配置

    环境介绍 solr 6.5.1 tomcat8 jdk1.8

    似水的流年
  • Apache solr(一).

    概念:Apache Solr 是一个开源的搜索服务器。Solr 使用 Java 语言开发,主要基于 HTTP 和 Apache Lucene 实现。Apache...

    JMCui
  • solr安装配置

    环境介绍 solr 6.5.1 tomcat8 jdk1.8 一、下载solr安装包 下载地址:http://www.apach...

    似水的流年
  • 【程序源代码】springboot企业级搜索平台

    Springboot2.1+Solr7.5搭建的企业级搜索平台,项目目前支持文档内容和数据库检索,已经集成分词技术。支持文档内容检索类型包含:pdf、doc、d...

    程序源代码

扫码关注云+社区

领取腾讯云代金券