关于Solr搜索标点与符号的中文分词你必须知道的（mmseg源码改造）

关于Solr搜索标点与符号的中文分词你必须知道的（mmseg源码改造）

摘要：在中文搜索中的标点、符号往往也是有语义的，比如我们要搜索“C++”或是“C#”，我们不希望搜索出来的全是“C”吧？那样对程序员来说是个噩梦。然而在中文分词工具mmseg中，它的中文分词是将标点与符号均去除的，它认为对于中文来讲标点符号无意义，这明显不能满足我们的需求。那么怎样改造它让它符合我们的要求呢？本文就是针对这一问题的详细解决办法，我们改mmseg的源代码。

关键字：Solr, mmseg, 中文, 分词, 标点, 符号, 语义

前提：Solr（5.0.0版本），mmseg4j（1.10.0版本）

作者：王安琪（博客地址：http://www.cnblogs.com/wgp13x/）

0、Solr的mmseg默认中文分词效果

做个实验，入Solr的语句为：t#\"\&\*CTY  C# "#"&*^#とう華뭄내ㅛ  #\"\&\*C8:8。3  C# \"#\"&*^#√とう ，使用的是mmseg中的“max-word”型分词。分词后会变成什么样呢？在对Solr进行简单的mmseg配置操作后，我们在Solr的Analysis中对以上语句进行分析，如下图所示。

图0-1 mmseg默认中文分词效果

从上图中可以看出，默认的mmseg“max-word”型分词将所有的标点、符号都抛弃掉了，余下的只是中文、数字、英文、韩文、日文等。经过mmseg的其他类型如：“complex”和“simple”分析操作后，其结果也是把所有的标点、符号均删除。然而使用Ansj进行中文分词的话，其默认是不删除标点符号的。使用IKAanalyzer来进行中文分词，它也删除掉所有的标点符号。具体情况见博客：中文分词器性能比较 http://www.cnblogs.com/wgp13x/p/3748764.html。

mmseg在中文分词过程中删除标点符号，这直接导致搜索不出标点和符号，因为被删除的将不被建立索引，如：搜索“#”，返回的是所有。为了解释这个问题，我们分析一下Solr创建索引的过程。

1、Solr创建索引的过程

在创建索引的过程中，进入的每一句字符串，均依据fieldType中配置的：tokenizer及以下的filter，从上至下依次处理。正如下图所示的，当进入的字符串为 #Yummm :) Drinking a latte at ... 第一步经过StandardTokenizer后，变成了一个个单词：Yummm | Drinking | a | latte | at | ，可以看出这一步就已经将标点符号去除掉了，并使用标点符号和空格将句子划分成一个个单词。第二步经过的是StopFilter，它将stop words：a at in 等删掉，它认为他们是无语义的词汇，这要看具体情况了，这步结束后原文变成了：Yummm | Drinking | latte | 。第三步是经过LowercaseFilter，很明显从字面上解释就是把所有的单词小写化，最终的结果是：yummm | drinking | latte |。

 图1-1 Solr创建索引的过程

在搜索的过程中，新入的搜索字符串，也需要经历这几个过程，再将经历这些过程后的单词以“与”或“或”的关系，进行搜索。这就解释了，上一个问题，为什么输入的搜索条件是“#”，返回的是所有，因为条件经历这些过程后，条件是空，即搜索所有了。

2、Solr的mmseg经过改进后的中文分词效果

经过我们的改进，在入Solr的语句为：！，工；1 - 低 ... 时， 中文分词效果如下图所示。

图2-1 mmseg经过改进后的中文分词效果

从上图可以看到，经过MMST后，所有的单词都已经大写小化了，所以可以去除LowerCaseFilter，对结果不影响，即在配置中将<filter class="solr.LowerCaseFilterFactory"/>去掉。再次分析的效果如下图所示：

图2-2 mmseg经过改进后并去除LowerCaseFilter后的中文分词效果

可以看出，C++这样输入的输出变成了：c | + | +，这样的话，当搜索条件为入C++时，便可以匹配出来了！这正是我们想要的。最终效果可以从下图中看出，在图2-3中将一串带有标点符号的字符串添加入Solr的mmseg fild中。在图2-4中对mmseg fild搜索带有标点符号的字符串，可以看到，刚添加的字符串被正确搜索到了！

          图2-3 添加带有标点符号的Document

图2-4 搜索条件带有标点符号的搜索结果

3、Solr的mmseg的中文分词效果改进办法

首先，根据mmseg作者chenlb  https://github.com/chenlb/mmseg4j-solr 的提示与启发，可以在next()函数中进行修改源码，以达到不去除标点符号的目的。我们在mmseg源码中找到MMSeg类中存在next()函数，通过阅读源码，我们知道，这即是对已识别的各种类型的字符进行分门别类地处理，如数字、字母、韩语等。函数内对其他的字符均视为无效字符，其中标点与符号便落入了此类别，其对此类别的字符处理办法是：“不理睬”。下面就是我依照中文字符的处理过程，编写了标点与符号的处理过程，同时对空格及Tab、\n这些字符采取“不理睬”策略，因为他们真的是无语义的，具体的代码如下。

public Word next() throws IOException {
    // 先从缓存中取
    Word word = bufWord.poll();
    ;
    if (word == null) {
        bufSentence.setLength(0);
        int data = -1;
        boolean read = true;
        while (read && (data = readNext()) != -1) {
            read = false; // 默认一次可以读出同一类字符,就可以分词内容
            int type = Character.getType(data);
            String wordType = Word.TYPE_WORD;
           switch (type) {
           。。。。。。。。
            case Character.SPACE_SEPARATOR:
            case Character.CONTROL:
                read = true;
                break;
            default:
            // 其它认为无效字符
            // read = true;
                bufSentence.appendCodePoint(data);
                readChars(bufSentence, new ReadCharByType(type));
            // bufWord.add(createWord(bufSentence, Word.TYPE_LETTER));
                currentSentence = createSentence(bufSentence);
                bufSentence.setLength(0);
            }// switch
        // 中文分词
        if (currentSentence != null) {
            do {
                Chunk chunk = seg.seg(currentSentence);
                for (int i = 0; i < chunk.getCount(); i++) {
                    bufWord.add(chunk.getWords()[i]);
                }
            } while (!currentSentence.isFinish());
            currentSentence = null;
        }
        word = bufWord.poll();
    }
    return word;
} 

经过编译后，将MMSeg类相关的class替换到mmseg4j-core-1.10.0.jar目录下，如图3-1所示。然后重新部署Solr，一切运行正常！

图3-1 编译并替换MMSeg

4、Solr的配置补充

经过刚才的操作，已经解决了标点与符号删除的问题。下面讲一下autoGeneratePhraseQueries的配置。

图4-1 mmSeg配置

如上图的配置所示，autoGeneratePhraseQueries="false"，autoGeneratePhraseQueries配置为false有下面的作用：将搜索关键词分词后，以或的条件进行搜索，比如入的是 ，搜索关键词是，关键词经过分词后有些分词结果不在Doc范围内，但是仍旧可以搜索出来；然而如果autoGeneratePhraseQueries="true" ，则搜索不出来，此时是且的关系。

这简直是太棒了！

来自王安琪