Lucene.net(4.8.0) 学习问题记录二: 分词器Analyzer中的TokenStream和AttributeSource
前言：目前自己在做使用Lucene.net和PanGu分词实现全文检索的工作，不过自己是把别人做好的项目进行迁移。因为项目整体要迁移到ASP.NET Core 2.0版本,而Lucene使用的版本是3.6.0 ，PanGu分词也是对应Lucene3.6.0版本的。不过好在Lucene.net 已经有了Core 2.0版本，4.8.0 bate版，而PanGu分词，目前有人正在做，貌似已经做完，只是还没有测试~，Lucene升级的改变我都会加粗表示。
Lucene.net 4.8.0
https://github.com/apache/lucenenet
PanGu分词(可以直接使用的)
https://github.com/SilentCC/Lucene.Net.Analysis.PanGu
JIEba分词(可以直接使用的)
https://github.com/SilentCC/JIEba-netcore2.0
Lucene.net 4.8.0 和之前的Lucene.net 3.6.0 改动还是相当多的，这里对自己开发过程遇到的问题，做一个记录吧，希望可以帮到和我一样需要升级Lucene.net的人。我也是第一次接触Lucene ,也希望可以帮助初学Lucene的同学。
一，Analyzer 中的TokenStream
1.TokenSteam的产生
在这篇博文中，其实已经介绍了TokenStream 是怎么产生的：
http://www.cnblogs.com/dacc123/p/8035438.html
在Analyzer 中，同一个线程上的所有Analyzer实例都是共用一个TokenStream,而实现如此都是因为Analyzer类中 storedValue 是全局共用的，获取TokenStream的方法是由reuseStrategy 类提供的,TokenStream 继承自AttributeSource
那么TokenStream的作用什么呢？
2.TokenSteam的使用
TokenStream 实际上是由一系列Token(分词)组合起来的序列，这里仅仅介绍如何通过TokenStream获得分词的信息。TokenStream的工作流程：
1. 创建TokenStream
2.TokenStream.Reset()
3.TokenStream.IncrementToken()
4.TokenStream.End();
5.TokenStream.Dispose() //Lucene 4.8.0中已经取消了Close()，只有Dispose()
在执行：
_indexWriter.AddDocument(doc)
之后，IndexWriter则会调用初始化时创建的Analyzer，也即IndewWriterConfig()中的Analyzer参数。这里以PanGu分词为例子。
调用分词器，首先会执行CreateComponents()函数，创建一个TokenStreamComponents，这也是为什么所有自定义，或者外部的分词器如果继承Analyzer,必须要覆写CreateComponents()函数：
protected override TokenStreamComponents CreateComponents(string fieldName, TextReader reader) { var result = new PanGuTokenizer(reader, _originalResult, _options, _parameters); var finalStream = (TokenStream)new LowerCaseFilter(LVERSION.LUCENE_48, result); finalStream.AddAttribute<ICharTermAttribute>(); finalStream.AddAttribute<IOffsetAttribute>(); return new TokenStreamComponents(result, finalStream); }
可以看到在这个CreateComponents函数中，我们可以初始化创建自己想要的Tokenizer和TokenStream。TokenStreamComponents是Lucene4.0中才有的，一个TokenStreamComponents是由Tokenizer和TokenStream组成。
在初始化完TokenStream 之后我们可以添加属性Attribute 到TokenStream中：
finalStream.AddAttribute<ICharTermAttribute>();
finalStream.AddAttribute<IOffsetAttribute>();
2.1 AttributeSource的介绍
上面说到TokenStream 继承自AttributeSource , finalStream.AddAttribute<ICharTermAttribute> 真是调用了父类AttributeSource的方法AddAttribute<T>() ,所以AttributeSoucre是用来给TokenStream添加一系列属性的，这是Lucene4.8.0中AttributeSource中AddAttribute的源码：
public T AddAttribute<T>() where T : IAttribute { var attClass = typeof(T); if (!attributes.ContainsKey(attClass)) { if (!(attClass.GetTypeInfo().IsInterface && typeof(IAttribute).IsAssignableFrom(attClass))) { throw new ArgumentException("AddAttribute() only accepts an interface that extends IAttribute, but " + attClass.FullName + " does not fulfil this contract."); } //正真添加Attribute的函数，而创造Attribute实例则是通过AttributeSource中的
//private readonly AttributeFactory factory; AddAttributeImpl(this.factory.CreateAttributeInstance<T>()); } T returnAttr; try { returnAttr = (T)(IAttribute)attributes[attClass].Value; } #pragma warning disable 168 catch (KeyNotFoundException knf) #pragma warning restore 168 { return default(T); } return returnAttr; }
2.2 Attribute介绍
上面介绍了AttributeSource 给TokenStream添加属性Attribute ,其实Attribute就是你需要获得的分词的属性。
比如：上面写到的 ICharTermAttribute 继承自CharTermAttribute 表示的是分词内容；
IOffsetAttribute 继承自 OffsetAttribute 表示的是分词起始位置和结束位置；
类似的还有 IFlasAttribute , IKeywordAttribute,IPayloadAttribute,IPositionIncrementAttribute,IPositionLengthAttribute,ITermToBytesRefAttribute,ITypeAttribute
我们再看Token(分词)类的源码：
public class Token : CharTermAttribute, ITypeAttribute, IPositionIncrementAttribute, IFlagsAttribute, IOffsetAttribute, IPayloadAttribute, IPositionLengthAttribute
其实Token(分词)，是继承这些Attribute,也就是说分词是由这些属性组成的，所以就可以理解为什么在TokenStream中添加Attributes。
再回到之前，再初始化TokenStream 和添加完属性之后，必须执行TokenStream的Reset()，才可继续执行TokenStream.IncrementToken().
Reset（）函数实际上在TokenStream创建和使用之后进行重置，因为我们之前说过，在Analyzer中所有实例是共用一个TokenStream的所以在TokenStream被使用过一次后，需要Reset() 以清除上次使用的信息，重新给下一个需要分词的text使用。
而IncrementToken实际的作用则是在遍历TokenStream 中的Token,类似于一个迭代器。
public sealed override bool IncrementToken() { ClearAttributes(); Token word = Next(); if (word != null) { var buffer = word.ToString(); termAtt.SetEmpty().Append(buffer); offsetAtt.SetOffset(word.StartOffset, word.EndOffset); typeAtt.Type = word.Type; return true; } End(); this.Dispose(); return false; }
直到返回的false ,表示分词已经遍历完了，这个时候调用End() 和Dispose() 来注销这个TokenStream。在这个过程中，TokenStream是可以被使用多次的，比如我写入索引的时候，加入两个Field :
new Field("title","xxxx") new Field("content","xxxxx")
对这个两个域进行分词，TokenStream创建之后，会先对title进行分词，遍历。然后执行Reset(),再对content进行分词，遍历。直到所有要分词的域都遍历过了。才会执行End()和Dispose()函数进行销毁。
二，问题：搜索不到内容
在迁移的过程中，突然出现了搜索不到内容的bug，经过调试，发现写索引的时候，对文本的分词都是正确。这里要提一点，分词(Token) 和 Term的区别 ，term是最小的搜索的单位，就是每个词语，比如“我是搞IT的”，那么，经过分词 “我”，“是”，“搞”，“IT” 这些都是term,而这些分词的具体信息，比如起始位置信息，都包含在Token当中，在Lucene2.9中之后，已经不推荐用Token(分词)，而直接用Attribute表示这些term的属性
后来发现写索引的时候正常，但是在搜索的时候，获取搜索关键词是，利用自己写的TokenStream获取分词信息出了错。
tokenStream.Reset(); //ItermAttribute在Lucene4.8.0中已经替换为CharTermAttribute while (tokenStream.IncrementToken()) { var termAttr = tokenStream.GetAttribute<ICharTermAttribute>(); var str = new string(termAttr.Buffer, 0, termAttr.Buffer.Length); var positionAttr = tokenStream.GetAttribute<IOffsetAttribute>(); var start = positionAttr.StartOffset; var end = positionAttr.EndOffset; yield return new Token() { EndPosition = end, StartPosition = start, Term = str }; }
termAttr.Buffer 是字节数组，而termAttr.Buffer.Length 是字节数组的长度，是固定。而termAttr.Length 是字节数组中实际元素的长度，是不一样的。我那样写会导致得到term字节信息是 [69,5b,23,/0,/0,/0,/0,/0,/0,/0] 因为长度填错了，所以后面自动填充/0,这样自然搜索不到，改成termAttr.Length就可以了。
这里在提一下在Lcuene.net 4.0中新增了BytesRef 类，表示term的字节信息，以后会介绍道
