知了博客

集天地之精华,吸日月之灵气

« axis支持的类型Linux终端中文编码 »

StandardTokenizer.jj的代码

下边为StandardTokenizer.jj的代码,省略了前面的注释!使用Javacc的语法写成的,学过 javacc的语法之后,在看这些代码就比较容易了,而且整个Standard包下其他很多代码都是由此文件生成的.根据此文件可以看 StandardTokenizer用来实现区分token,从而StandardAnalyzer使用的分词方法就是单字切分. 同徽B2B电子商务研究中心

options {
  STATIC = false;
//IGNORE_CASE = true;
//BUILD_PARSER = false;
  UNICODE_INPUT = true;
  USER_CHAR_STREAM = true;
  OPTIMIZE_TOKEN_MANAGER = true;
//DEBUG_TOKEN_MANAGER = true;
}
PARSER_BEGIN(StandardTokenizer)
数据挖掘商道

package org.apache.lucene.analysis.standard; 同徽公司

/** A grammar-based tokenizer constructed with JavaCC.
 *
 * <p> This should be a good tokenizer for most European-language documents.
 *
 * <p>Many applications have specific tokenizer needs.  If this tokenizer does
 * not suit your application, please consider copying this source code
 * directory to your project and maintaining your own grammar-based tokenizer.
 *基于语法的tokenizer
 */
public class StandardTokenizer extends org.apache.lucene.analysis.Tokenizer {

数据挖掘研究院

  /** Constructs a tokenizer for this Reader. */
  public StandardTokenizer(Reader reader) {
    this(new FastCharStream(reader));
    this.input = reader;
  }
}

数据挖掘研究院

PARSER_END(StandardTokenizer)
/*对于语法的基本表示
* |  或者
* +  一个或者无限个重复
* *  零个或者无限个重复
* [ ] 表示里面所有的选项取一
* <>表示使用别的定义
*
*/ 数据挖掘商道

TOKEN : {       // token patterns
  //使用正则表达式进行描述
  // basic word: a sequence of digits & letters example:13j14234n4k32
  //字母数字序列
  <ALPHANUM: (<LETTER>|<DIGIT>)+ > 同徽公司

  // internal apostrophes: O′Reilly, you′re, O′Reilly′s
  // use a post-filter to remove possesives
  //缩略语形式
| <APOSTROPHE: <ALPHA> ("′" <ALPHA>)+ > 数据挖掘商道

  // acronyms: U.S.A., I.B.M., etc.
  // use a post-filter to remove dots
  //缩写词
| <ACRONYM: <ALPHA> "." (<ALPHA> ".")+ > 数据挖掘论坛

  // company names like AT&T and Excite@Home.
  //公司
| <COMPANY: <ALPHA> ("&"|"@") <ALPHA> > 数据挖掘商道

  // email addresses   [email protected]
  //email地址
| <EMAIL: <ALPHANUM> (("."|"-"|"_") <ALPHANUM>)* "@" <ALPHANUM> (("."|"-") <ALPHANUM>)+ > 数据挖掘论坛

  // hostname   202.113.9.183
| <HOST: <ALPHANUM> ("." <ALPHANUM>)+ >

数据挖掘研究院

  // floating point, serial, model numbers, ip addresses, etc.
  // every other segment must have at least one digit
| <NUM: (<ALPHANUM> <P> <HAS_DIGIT>
       | <HAS_DIGIT> <P> <ALPHANUM>
       | <ALPHANUM> (<P> <HAS_DIGIT> <P> <ALPHANUM>)+
       | <HAS_DIGIT> (<P> <ALPHANUM> <P> <HAS_DIGIT>)+
       | <ALPHANUM> <P> <HAS_DIGIT> (<P> <ALPHANUM> <P> <HAS_DIGIT>)+
       | <HAS_DIGIT> <P> <ALPHANUM> (<P> <HAS_DIGIT> <P> <ALPHANUM>)+
        )
  >
| <#P: ("_"|"-"|"/"|"."|",") >
| <#HAS_DIGIT:       // at least one digit
    (<LETTER>|<DIGIT>)* 数据挖掘论坛
    <DIGIT>
    (<LETTER>|<DIGIT>)*
  > 同徽公司

| < #ALPHA: (<LETTER>)+>                          //字母序列
| < #LETTER:       // unicode letters
      [                                           //可以通过unicode字母表查看
       "u0041"-"u005a",                         //ASCII  65(A)-90(Z)
       "u0061"-"u007a",                         //ASCII  97(a)-122(z) 数据挖掘论坛
       "u00c0"-"u00d6",                     
       "u00d8"-"u00f6",
       "u00f8"-"u00ff",
       "u0100"-"u1fff"
      ]
  >
| < CJK:                                          // non-alphabets
      [                                           //可以通过unicode字母对照表查看 数据挖掘商道
       "u3040"-"u318f",                         //韩文
       "u3300"-"u337f",                       
       "u3400"-"u3d2d",
       "u4e00"-"u9fff",
       "uf900"-"ufaff"
      ]
  >
| < #DIGIT:       // unicode digits
      [
       "u0030"-"u0039",
       "u0660"-"u0669",
       "u06f0"-"u06f9",
       "u0966"-"u096f",
       "u09e6"-"u09ef",
数据挖掘商道

       "u0a66"-"u0a6f",
       "u0ae6"-"u0aef",
       "u0b66"-"u0b6f",
       "u0be7"-"u0bef",
       "u0c66"-"u0c6f",
       "u0ce6"-"u0cef",
       "u0d66"-"u0d6f",
       "u0e50"-"u0e59",
       "u0ed0"-"u0ed9",
       "u1040"-"u1049"
      ]
  >
} 同徽公司

SKIP : {       // skip unrecognized chars
 <NOISE: ~[] >
}
数据挖掘论坛

/** Returns the next token in the stream, or null at EOS.
 * <p>The returned token′s type is set to an element of {@link
 * StandardTokenizerConstants#tokenImage}.
 */
 //调用了org.apache.lucene.analysis.Token
org.apache.lucene.analysis.Token next() throws IOException :
{
//token的初始化
  Token token = null;
}
{
  ( token = <ALPHANUM> |
    token = <APOSTROPHE> |
    token = <ACRONYM> |
    token = <COMPANY> |
    token = <EMAIL> |
    token = <HOST> |
    token = <NUM> |
    token = <CJK> |
    token = <EOF>
   )
    {
      if (token.kind == EOF) {
 return null;
      } else { 同徽公司
       //返回一下个token,从这里可以看出StandardAnalyzer使用的为单字切分,对于所有的unicode字符
 return
   new org.apache.lucene.analysis.Token(token.image,
     token.beginColumn,token.endColumn,
     tokenImage[token.kind]);
      }
    }
}

发表评论:

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。

日历

最新评论及回复

最近发表

Powered By Z-Blog 1.8 Arwen Build 90619 Code detection by Codefense  theme by BokeZhuti

Copyright know blog. Some Rights Reserved.站长(msn):webmaster#webgou.info(#换成@) 粤ICP备09183716号