java中的自定义分析器，使用edgeNGram令牌过滤器

Question

这是我上一个问题的延续。我正在使用 Lucene 3.6.1 并想创建一个自定义分析器来创建如下标记：-I/P 文本 :- foo bar代币：- f,fo,foo,b,ba,barI/P 文本 :- HEllo 123代币：- h,he,hel,hell,hello,1,12,123。基本上，它将文本转换为小写，然后使用边缘 n-gram 标记过滤器。下面是我的自定义分析器的 java 代码。@Override    public TokenStream tokenStream(String fieldName, Reader reader) {        TokenStream stream = new KeywordTokenizer(reader);        TokenStream result = new EdgeNGramTokenFilter(stream, EdgeNGramTokenFilter.Side.FRONT, 1, 30);        //OffsetAttribute offsetAttribute = result.addAttribute(OffsetAttribute.class);        CharTermAttribute charTermAttribute = result.addAttribute(CharTermAttribute.class);        try {            result.reset();            while (result.incrementToken()) {                //int startOffset = offsetAttribute.startOffset();                //int endOffset = offsetAttribute.endOffset();                System.out.println(charTermAttribute.toString());            }            result.end();            result.close();        } catch (IOException e) {            e.printStackTrace();        }        return result;    }但它返回低于foo bar.ffofoofoo foo bfoo bafoo bar让我知道我的代码中缺少什么。

Answer 1

您需要使用StandardTokenizer而不是KeywordTokenizer。后者将简单地将整个输入视为单个标记，而前者将小写并将输入拆分为多个标记。

所以改变这个：

    TokenStream stream = new KeywordTokenizer(reader);

对此：

    TokenStream stream = new StandardTokenizer(reader);