Lucene7.0与HanLP分词器整合索引数据库建立索引文件

HanLP官网:http://hanlp.linrunsoft.com/

GitHup地址:https://github.com/hankcs/HanLP

HanLP插件地址:https://github.com/hankcs/hanlp-lucene-plugin

需要一下jar包

package com.kyd.demo.hanLP;

import java.io.IOException;

import java.nio.file.Paths;

import java.sql.Connection;

import java.sql.DriverManager;

import java.sql.PreparedStatement;

import java.sql.ResultSet;

import java.sql.Statement;

import org.apache.lucene.analysis.Analyzer;

import org.apache.lucene.analysis.TokenStream;

import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;

import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;

import org.apache.lucene.analysis.tokenattributes.PositionIncrementAttribute;

import org.apache.lucene.document.Document;

import org.apache.lucene.document.LongPoint;

import org.apache.lucene.document.StringField;

import org.apache.lucene.document.TextField;

import org.apache.lucene.document.Field.Store;

import org.apache.lucene.document.IntPoint;

import org.apache.lucene.index.IndexWriter;

import org.apache.lucene.index.IndexWriterConfig;

import org.apache.lucene.index.IndexWriterConfig.OpenMode;

import org.apache.lucene.index.IndexableField;

import org.apache.lucene.store.Directory;

import org.apache.lucene.store.FSDirectory;

import org.junit.Test;

import com.hankcs.lucene.HanLPAnalyzer;

import com.hankcs.lucene.HanLPIndexAnalyzer;

/**

* 索引数据库字段建立索引文件

*

* @author zhengzhen

*

*/

public class JdbcIndexDemo {

public static void main(String[] args) {

try {

Class.forName("com.mysql.jdbc.Driver");

String url = "jdbc:mysql://192.168.100.69:3306/xxxx?useUnicode=true&characterEncoding=utf8&autoReconnect=true&failOverReadOnly=false";

String password ="root";

String userName ="root";

String sql ="select * from xxxx";

try (

Connection conn = DriverManager.getConnection(url,userName,password);

PreparedStatement sta =conn.prepareStatement(sql);

ResultSet rs = sta.executeQuery();

){

/**

* 1.设置索引文件保存路径

*/

Directory directory = FSDirectory.open(Paths.get("xxxx_index"));

/**

* 2.创建分词器

*/

Analyzer analyzer = new HanLPIndexAnalyzer();

/**

* 3.分词器配置

*/

IndexWriterConfig indexWriterConfig = new IndexWriterConfig(analyzer);

indexWriterConfig.setOpenMode(OpenMode.CREATE);

/**

* 4.创建索引输出流

*/

IndexWriter indexWriter = new IndexWriter(directory,indexWriterConfig);

/**

* 5.循环遍历创建索引文档

*/

while (rs.next()) {

/**

* 5.1.创建文档

*/

Document document = new Document();

/**

* 5.2.添加字段

*/

Long id  =rs.getLong("unitId");

IndexableField unitIdField = new StringField("unitId", id+"",Store.YES);

document.add(unitIdField);

String title = rs.getString("title");

if( title != null) {

IndexableField sectionNameField = new TextField("sectionName", title, Store.YES);

document.add(sectionNameField);

}

String  unitName= rs.getString("unitName");

if( unitName != null) {

IndexableField unitNameField = new TextField("unitName", unitName, Store.YES);

document.add(unitNameField);

}

String  courseName= rs.getString("courseName");

if(courseName !=null) {

IndexableField courseNameField = new TextField("courseName", courseName, Store.YES);

document.add(courseNameField);

}

String  startPage= rs.getString("startPage");

if(startPage !=null) {

IndexableField startPageField = new StringField("startPage", startPage, Store.YES);

document.add(startPageField);

}

String  endPage= rs.getString("startEndPage");

if(endPage != null) {

IndexableField endPageField = new StringField("endPage", endPage,Store.YES);

document.add(endPageField);

}

indexWriter.addDocument(document);

}

indexWriter.commit();

} catch (Exception e) {

e.printStackTrace();

}

} catch (ClassNotFoundException e1) {

e1.printStackTrace();

}

}

/**

* HanLPAnalyzer

* 这个分词器对于长词不会切割 ,例如 “中华人民共和国” 是一个长词会保留下来

* @throws IOException

*/

@Test

public void hanLPAnalyzerTest() throws IOException {

String text = "中华人民共和国很辽阔";

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

{

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

}

System.out.println();

Analyzer analyzer = new HanLPAnalyzer();

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

tokenStream.reset();

while (tokenStream.incrementToken())

{

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

    // 偏移量

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

    // 距离

    PositionIncrementAttribute positionAttr = tokenStream.getAttribute(PositionIncrementAttribute.class);

    System.out.println(attribute + " " + offsetAtt.startOffset() + " " + offsetAtt.endOffset() + " " + positionAttr.getPositionIncrement());

}

/* 输出:

* 中0 华1 人2 民3 共4 和5 国6 很7 辽8 阔9

* 中华人民共和国 0 7 1

* 很 7 8 1

* 辽阔 8 10 1

*/

}

/**

* HanLPIndexAnalyzer

* 这个分词器会对长词进行分割 “中华人民共和国” 会切分成“中华人民共和国” “中华” “人民”等等

* @throws IOException

*/

@Test

public void hanLPIndexAnalyzerTest() throws IOException {

String text = "中华人民共和国很辽阔";

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

{

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

}

System.out.println();

Analyzer analyzer = new HanLPIndexAnalyzer();

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

tokenStream.reset();

while (tokenStream.incrementToken())

{

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

    // 偏移量

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

    // 距离

    PositionIncrementAttribute positionAttr = tokenStream.getAttribute(PositionIncrementAttribute.class);

    System.out.println(attribute + " " + offsetAtt.startOffset() + " " + offsetAtt.endOffset() + " " + positionAttr.getPositionIncrement());

}

/* 输出:

* 中0 华1 人2 民3 共4 和5 国6 很7 辽8 阔9

* 中华人民共和国 0 7 1

* 中华人民 0 4 1

* 中华 0 2 1

* 华人 1 3 1

* 人民共和国 2 7 1

* 人民 2 4 1

* 共和国 4 7 1

* 共和 4 6 1

* 很 7 8 1

* 辽阔 8 10 1

*/

}

}




文章来源于雨夜星辰03的博客

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,271评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,275评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,151评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,550评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,553评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,559评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,924评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,580评论 0 257
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,826评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,578评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,661评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,363评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,940评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,926评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,156评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,872评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,391评论 2 342

推荐阅读更多精彩内容

  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,580评论 18 139
  • 实验目的 理解四种数据库(MySQL,HBase,Redis,MongoDB)的概念以及不同点。 熟练使用四种数据...
    Tiny_16阅读 17,755评论 5 12
  • 写在前面:本文中用到的 Apache Lucene 版本号是 4.10.2 截止到文章发布时官方的最新版本是 6....
    SawyerZh阅读 4,364评论 2 15
  • 1. Java基础部分 基础部分的顺序:基本语法,类相关的语法,内部类的语法,继承相关的语法,异常的语法,线程的语...
    子非鱼_t_阅读 31,560评论 18 399
  • 风啸雪飘枝绽放, 。 一片苍茫独傲立,你姐姐你。 只为伊人玉手香。那边距不可开交急it急急不健康i
    久龙治水阅读 340评论 0 0