Solr 全文检索 之 为索引库添加中文分词器

添加中文分词器

1、添加中文分词器的 jar 包

将 Solr 的 contrib\analysis-extras\lucene-libs 文件夹
目录下的 lucene-analyzers-smartcn-x.x.x.jar 包
复制到 Solr的 server\solr-webapp\webapp\WEB-INF\lib 目录下。

如果要添加第三方中文分词器，只要同样将JAR包复制到WEB-INF\lib目录下。

2、修改 managed-schema 配置文件

设置使用中文分词器的Field类型（修改这个 managed-schema 文件 ）：

在配置文件里面添加这个中文分词器：

text_cn (中文分词器) 其实只是一个字段类型而已，因为实现了 HMMChineseTokenizerFactory 这个中文分词器的功能，所以也可以说 text_cn 是一个中文分词器。

  <!-- 设置中文分词器 -->
  <fieldType name="text_cn" class="solr.TextField" positionIncrementGap="100">
    <analyzer>
	  <!-- HMMChineseTokenizerFactory 是一个中文分词器   -->
      <tokenizer class="org.apache.lucene.analysis.cn.smart.HMMChineseTokenizerFactory"/>
	  <!-- 过滤英文大小写，就是保存关键字的时候不区分大小写，统统把关键字都弄成小写再保存 -->
      <filter class="solr.LowerCaseFilterFactory"/>
      <!-- 添加停用词文档，用于过滤停用词 -->
      <!-- 停用词列表在 words 属性中指定，并且忽略大小写（ignoreCase="true"） -->
      <filter class="solr.StopFilterFactory" words="lang/stopwords_cn.txt" ignoreCase="true"/>
	  <!-- 这个是词干化，用于对英语文本进行词干提取。它基于 Porter 算法，可以将英语单词转换为其基本形式（词干 -->
      <filter class="solr.PorterStemFilterFactory"/>
    </analyzer>
  </fieldType>

如图： 图形管理界面的这些字段类型，就对应着 managed-schema 配置文件里面的 fieldType
不同的一些字段类型，在 managed-schema 配置文件里面，就实现了针对不同语言的分词器功能。
比如上面的 text_cn 的解释。

什么是 fieldType

在 Solr 中，fieldType 是一种抽象类别，用于定义字段的类型和属性。每个 fieldType 包含了一组分析器、过滤器和标记化器，用于处理特定类型的文本。

在 managed-schema 配置文件中，我们通常会定义多个 fieldType，以便为不同类型的字段设置不同的分析器和过滤器。

3、添加 停用词文档

在conf/lang下添加中文的停用词列表文档。然后重启Solr

上面第二步的配置中，配置了这个【 words="lang/stopwords_cn.txt 】中文的停用词文档，但是此时还没有这个文档，所以需要我们自己添加

随便拷贝一份日文的停用词文档，重命名改成中文的就行

然后把日文的删掉，改成中文的就可以了，此时就有了一个 stopwords_cn.txt 的中文停用词文档

4、重启 solr

重启下，重启需要指定端口号

solr restart -p 8983

重启失败，因为字符集的原因，所以我把配置文件里面的中文注释给删除掉了，然后再重启就成功了。

如图：出现了 text_cn 这个 FieldType 字段类型

5、添加【*_cn】动态字段，并为该字段设置中文分词器

添加动态字段，可以在图形化界面添加，也可以直接在 managed-schema 配置文件里面添加，但是在配置文件里面添加的话，需要重启 solr 。

在图形界面添加动态字段，并为该字段设置中文分词器

1、如图：添加一个 【*_cn】 的动态字段，只要后缀是 _cn 结尾的，就可以匹配到。

然后将 Field 的类型设为【使用了中文分词器功能的字段类型（text_cn）】即可。

2、成功创建这个动态字段。

如图：也可以在配置文件里面，把这些字段的类型都修改成 text_cn ，那么在查询关键字的时候，对后缀有“_cn”的这些字段，就会使用到中文分词器来分词。

如果在配置文件里面进行内容修改，那么需要重启 solr 。

解释下这个 动态字段 “*_cn” 和 text_cn 字段类型 的关系

“*_cn” 和 text_cn 的关系

“*_cn” 是 Solr 的动态字段命名模式之一，用于指定中文文本字段。
而 “text_cn” 是 Solr 预定义的一个字段类型，用于描述中文文本的分析器和过滤器。

6、演示分词器的区别

演示 text_cjk 这个简单的分词器

text_cjk 是一个简单的单词分词器。

text_cjk 是 Solr 中的一种 FieldType，用于处理包含中文、日文和韩文字符的文本字段。

这个分词器的效果如图：

输入【七龙珠是一部很好看的动漫】

演示 text_cn 这个中文分词器

因为 text_cn 这个字段类型，使用了 HMMChineseTokenizerFactory 这个智能的中文分词器，所以可以对中文文档进行分词

如图：真正按照汉语的语言习惯来进行分词，建立索引库