全文检索Solr集成HanLP中文分词

  1. 云栖社区>
  2. 博客>
  3. 正文

全文检索Solr集成HanLP中文分词

大数据资讯 2018-09-26 16:15:54 浏览1561
展开阅读全文

以前发布过HanLPLucene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。

6b39a0b9454e60a0084c070efe05ef36a0068299

1

快速上手

1、hanlp-portable.jarhanlp-solr-plugin.jar共两个jar放${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:

17ef5efa85834f2c4e882a523fe3653359472fb5 

2

创建core

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:

5a35f6a16c88c3731d9a7a6571ae793b9765a410 

3

接着就能在下拉列表中看到这个core了:

5be1ff8fe9bf872ebe6f152602295f93dc5913f0 

4

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:

eb13bbec87e27df151ae547f8d0c717bc7fd2293 

5

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:

7ee101e9ab8e9323f1a3d93ee593fd8748901cdd 

6

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”这种错误文档:

f4b8fa1004ff1de7887e6e7248873b771d1c2181 

7

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. 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”:

25a8a6a396cd0ce442db98754872e8b7d333bea9 

8

高级配置

目前本插件支持如下基于schema.xml的配置:

3e072edc2e1255d9b95e60c29d403f56ba03db4e 

9

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

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

网友评论

登录后评论
0/500
评论
大数据资讯
+ 关注