如何从 Lucene TokenStream 获取 Token？

我正在尝试使用 Apache Lucene 进行标记化，但我对从某个地方获取标记的过程感到困惑TokenStream.

最糟糕的是我正在查看 JavaDocs 中解决我的问题的评论。

http://lucene.apache.org/java/3_0_1/api/core/org/apache/lucene/analysis/TokenStream.html#incrementToken%28%29

不知何故，一个AttributeSource应该使用，而不是Tokens。我完全不知所措。

谁能解释如何从 TokenStream 获取类似令牌的信息？

是的，这有点复杂（与好的方式相比），但这应该可以做到：

TokenStream tokenStream = analyzer.tokenStream(fieldName, reader);
OffsetAttribute offsetAttribute = tokenStream.getAttribute(OffsetAttribute.class);
TermAttribute termAttribute = tokenStream.getAttribute(TermAttribute.class);

while (tokenStream.incrementToken()) {
    int startOffset = offsetAttribute.startOffset();
    int endOffset = offsetAttribute.endOffset();
    String term = termAttribute.term();
}

编辑：new way

根据多诺泰罗的说法，TermAttribute已被弃用，取而代之的是CharTermAttribute。根据 jpountz （和 Lucene 的文档），addAttribute比getAttribute.

TokenStream tokenStream = analyzer.tokenStream(fieldName, reader);
OffsetAttribute offsetAttribute = tokenStream.addAttribute(OffsetAttribute.class);
CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);

tokenStream.reset();
while (tokenStream.incrementToken()) {
    int startOffset = offsetAttribute.startOffset();
    int endOffset = offsetAttribute.endOffset();
    String term = charTermAttribute.toString();
}