Java Lucene标记化器
我正在尝试将字符串标记为ngram。奇怪的是,在的文档中,我没有看到一个方法可以返回标记化的各个ngram。事实上,我在NGramTokenizer类中只看到两个返回字符串对象的方法 以下是我的代码:Java Lucene标记化器,java,lucene,tokenize,n-gram,Java,Lucene,Tokenize,N Gram,我正在尝试将字符串标记为ngram。奇怪的是,在的文档中,我没有看到一个方法可以返回标记化的各个ngram。事实上,我在NGramTokenizer类中只看到两个返回字符串对象的方法 以下是我的代码: Reader reader = new StringReader("This is a test string"); NGramTokenizer gramTokenizer = new NGramTokenizer(reader, 1, 3); 标记化的ngram在哪里 如何获得字符串/单词的
Reader reader = new StringReader("This is a test string");
NGramTokenizer gramTokenizer = new NGramTokenizer(reader, 1, 3);
我希望我的输出是这样的:这,是,a,测试,字符串,这是,是,测试,测试字符串,这是,是测试,测试字符串。如果不创建测试程序,我猜incrementToken()将返回下一个标记,它将是NGRAM之一 例如,将ngram长度1-3与字符串“abcd”一起使用,NGramTokenizer可以返回:
a
a b
a b c
b
b c
b c d
c
c d
d
其中,“a”、“a b”等是生成的NGRAM
[编辑]
您可能还想看看,因为它谈到了窥探令牌流。我认为您无法找到您想要的内容,因为您试图找到返回字符串的方法。你需要和s打交道 应该像这样工作:
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,如果需要在此之后重新使用标记器,请确保重置()标记器
根据注释标记化单词分组,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Lucene的最新版本(4.2.1),这是一个干净的代码。在执行此代码之前,必须导入2个jar文件:
- lucene-core-4.2.1.jar
- lucene-analuzers-common-4.2.1.jar
包ngramalgoimpl;
导入java.util.*;
公共类ngr{
公共静态列表n_g(int n,String str){
列表n_grams=new ArrayList();
String[]words=str.split(“”);
for(int i=0;i开始?):“)+单词[i];
使某人返回字符串();
}
公共静态void main(字符串[]args){
对于(int n=1;n在属性方面,我可以用字符串而不是字符做什么?那么我的输出应该是这样的:这个,是,一个,测试,字符串,这个是,是,一个测试,一个测试字符串。好吧,这不是Lucene的NGramTokenizer设计用来处理的。我想,你想要使用的是一个结合了标准化标记器的ShingleFilter。我会更新我的答案,更容易表达…你知道我可以在标记化过程中使用的任何停止词过滤器吗?我想标准是。另一个非常典型的过滤器是,顺便说一句。我认为标准过滤器,然后停止过滤器,然后ShingleFilter可能会得到很好的结果。看了我在volving the StopFilter:请提供上下文,这段代码是做什么的,以及它如何提供问题的答案?@KevinKloet查看问题和给出的答案
//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);
}
package ngramalgoimpl;
import java.util.*;
public class ngr {
public static List<String> n_grams(int n, String str) {
List<String> n_grams = new ArrayList<String>();
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();
}
}
}