查找文本中的常用短语

Question

有没有办法用Lucene搜索常用短语？

我正在成功地搜索常用单词：

TermStats[] ts = HighFreqTerms.getHighFreqTerms(reader, 20, fieldName, comparator);

但这带来了单个单词，我正在寻找一种方法来搜索频繁出现的两个(或任何数字)单词组合。

为了澄清，我不是在寻找我知道的前两个单词(例如，fast和car)，而是在寻找前两个频繁出现的单词组合。因此，如果我的文本是"this is a fast car and this is a fast car“，我会得到"fast car”和"this is“是最常用的两个单词组合。

我看了一下讨论here，但它提供了一个使用solr的解决方案，我正在寻找使用Lucene的解决方案，无论如何，相关的链接都会断开。

编辑:在femtoRgon的评论之后，这里是我的Analyzer的一些代码。这是应该添加ShingleFilter的地方吗？它似乎不工作，因为我的输出看起来是这样的：

ed d 
d 
d   p
 p
 p pl  
pl
pl le

我需要的是输出包括成对的完整单词。

下面是我的createComponents方法：

@Override
protected TokenStreamComponents createComponents(String fieldName, Reader reader) {
    Tokenizer source = new NGramTokenizer(Version.LUCENE_47, reader, 2, 2);     
    ShingleFilter sf = new ShingleFilter(source, 2, 2);

    TokenStreamComponents tsc = new TokenStreamComponents(source, sf);  
    return tsc;
}

EDIT2:在femtoRgon的评论之后，我将NGramTokenizer改为StandardTokenizer，现在我得到了完整的单词，但我不需要单个单词，只需要成对的单词。

代码如下：

Tokenizer source = new StandardTokenizer(Version.LUCENE_47, reader);        
ShingleFilter sf = new ShingleFilter(source, 2, 2);

请注意，根据文档，2, 2应生成的最小字数为2，最大字数为2。但实际上它会生成以下输出：

and
and other
other
other airborne
airborne
airborne particles

那么，如何摆脱单个单词并获得此输出呢？

and other
other airborne
airborne particles

Answer 1

下面是完成这项工作的完整Analyzer类。请注意，TokenStreamComponents方法是在femtoRgon对我的问题的精彩评论之后声明ShingleFilter的地方。只需输入您自己的字符串，指定minWords和maxWords并运行它。

public class RMAnalyzer extends Analyzer {

    public static String someString = "some string";
    private int minWords = 2;
    private int maxWords = 2;


    public static void main(String[] args) {
        RMAnalyzer rma = new RMAnalyzer(2, 2);
        rma.findFrequentTerms();
        rma.close();
    }


    public RMAnalyzer(int minWords, int maxWords) { 
        this.minWords = minWords;
        this.maxWords = maxWords;
    }

    public void findFrequentTerms() {
        StringReader sr = new StringReader(someString);
        try {
            TokenStream tokenStream = tokenStream("title", sr);
            OffsetAttribute offsetAttribute = tokenStream.addAttribute(OffsetAttribute.class);
            CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
            tokenStream.reset();

            while (tokenStream.incrementToken()) {
                String term = charTermAttribute.toString();
                System.out.println(term);
            }                       
        } catch(Exception e) {
            e.printStackTrace();
        }
    }


    @Override
    protected TokenStreamComponents createComponents(String fieldName, Reader reader) {
        Tokenizer source = new StandardTokenizer(Version.LUCENE_47, reader);        
        ShingleFilter sf = new ShingleFilter(source, minWords, maxWords);
        sf.setOutputUnigrams(false); // makes it so no one word phrases out in the output.
        sf.setOutputUnigramsIfNoShingles(true); // if not enough for min, show anyway.

        TokenStreamComponents tsc = new TokenStreamComponents(source, sf);  
        return tsc;
    }
}