如何在 lucene 5.0 中使用 ngram 分词器？

Question

我想为字符串生成 ngram 字符。下面是我用于它的 Lucene 4.1 库。

    Reader reader = new StringReader(text);
    NGramTokenizer gramTokenizer = new NGramTokenizer(reader, 3, 5); //catch contiguous sequence of 3, 4 and 5 characters

    CharTermAttribute charTermAttribute = gramTokenizer.addAttribute(CharTermAttribute.class);

    while (gramTokenizer.incrementToken()) {
        String token = charTermAttribute.toString();
        System.out.println(token);}

不过，我想用Lucene 5.0.0来做。 Lucene 5.0.0 中的NGramTokenizer 相对于之前的版本变化较大，参考http://lucene.apache.org/core/5_0_0/analyzers-common/index.html?org/apache/lucene/analysis/ngram/NGramTokenizer.html.

有人知道如何使用 Lucene 5.0.0 来做 ngrams 吗？

Answer 1

以下代码：

  StringReader stringReader = new StringReader("abcd");
  NGramTokenizer tokenizer = new NGramTokenizer(1, 2);
  tokenizer.setReader(stringReader);
  tokenizer.reset();
  CharTermAttribute termAtt = tokenizer.getAttribute(CharTermAttribute.class);
  while (tokenizer.incrementToken()) {
    String token = termAtt.toString();
    System.out.println(token);
  }

将产生：

a
ab
b
bc
c
cd
d

如何在 lucene 5.0 中使用 ngram 分词器？

How to have ngram tokenizer in lucene 5.0?

lucene

nlp