Lucene.Net+盘古分词器(详细介绍)(转)
1、Lucenne.Net简介
2、介绍盘古分词器
3、Lucene.Net实例分析
4、结束语（Demo下载）
Lucene.net是Lucene的.net移植版本，是一个开源的全文检索引擎开发包，即它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎。开发人员可以基于Lucene.net实现全文检索的功能。
Lucene.net是Apache软件基金会赞助的开源项目，基于Apache License协议。
Lucene.net并不是一个爬行搜索引擎，也不会自动地索引内容。我们得先将要索引的文档中的文本抽取出来，然后再将其加到Lucene.net索引中。标准的步骤是先初始化一个Analyzer、打开一个IndexWriter、然后再将文档一个接一个地加进去。一旦完成这些步骤，索引就可以在关闭前得到优化，同时所做的改变也会生效。这个过程可能比开发者习惯的方式更加手工化一些，但却在数据的索引上给予你更多的灵活性。
（来自百度百科）
盘古分词是一个中英文分词组件。作者eaglet 曾经开发过KTDictSeg 中文分词组件，拥有大量用户。作者基于之前分词组件的开发经验，结合最新的开发技术重新编写了盘古分词组件。主要有以下功能:
1、中文未登陆词识别
2、词频优先
3、一元分词，多元分词
4、中文人名分词
5、繁体中文分词
6、英文分词
7、用户自定义规则（字典管理，动态加载字典，关键词高亮）
……
由于盘古分词器不是本章的重点内容，就简单带过了。有兴趣的朋友可以自己网上找找相关资料。文章末尾会提供一个盘古分词器的应用程序供下载
先上一下Demo的图把，看下最后运行效果：
数据是临时随便创建的数据，表格和样式也是随便画的，不喜欢的朋友多包涵呐！
接下来就一步一步来讲解整个编码过程（主要对一些核心的类和细节作为讲解过程），Let's GO
第一步：创建索引
1、由于索引是存放在硬盘里的，所以先定义一个索引的目录
1 /// <summary>
2 /// 索引存放目录
3 /// </summary>
4 protected string IndexDic
5 {
6 get
7 {
8 return Server.MapPath("/IndexDic");
9 }
10 }
2、创建索引器把要索引的内容写入到指定目录
|
1
|
IndexWriter writer = new IndexWriter(IndexDic, PanGuAnalyzer, isCreate, Lucene.Net.Index.IndexWriter.MaxFieldLength.LIMITED); |
索引器的构造函数参数说明：
IndexDic是索引存放目录
PanGuAnalyzer是盘古解析器（由于默认的解析器解析能力不强，所以替换为这个）
IsCreate是索引创建方式（true：重新新建索引，false：从旧的索引执行追加）
Lucene.Net.Index.IndexWriter.MaxFieldLength.LIMITED是文件长度是否限制
3、创建索引Document和往文档写入索引内容
1 private void AddIndex(IndexWriter writer, string title, string content,string date)
2 {
3 try
4 {
5 Document doc = new Document();
6 doc.Add(new Field("Title", title, Field.Store.YES, Field.Index.ANALYZED));//存储且索引
7 doc.Add(new Field("Content", content, Field.Store.YES, Field.Index.ANALYZED));//存储且索引
8 doc.Add(new Field("AddTime", date, Field.Store.YES, Field.Index.NOT_ANALYZED));//存储且索引
9 writer.AddDocument(doc);
10 }
11 catch (FileNotFoundException fnfe)
12 {
13 throw fnfe;
14 }
15 catch (Exception ex)
16 {
17 throw ex;
18 }
19 }
Document是索引文档，可以理解成数据库里的记录
Field是索引文档里的字段，可以直接理解成数据库里的字段
Field构造函数说明：
第一个是字段名称（实例里是Title,Content,AddTime）。
第二个是字段的存储方式（Field.Store.YES：进行存储，Filed.Store.No：不进行存储）有些字段值比较大，可以选择No不存储，对字段进行存储是为了检索的时候对某些字段进行提取。
第三个是是否索引（Field.Index.ANALYZED：索引， Field.Index.NOT_ANALYZED：非索引）
4、到此为止索引就创建完成了，应该可以看到索引目录会产生几个文件，如下图：
第二步：搜索索引
lucene的搜索相当强大，它提供了很多辅助查询类，每个类都继承自Query类，各自完成一种特殊的查询，你可以像搭积木一样将它们任意组合使用，完成一些复杂操 作；另外lucene还提供了Sort类对结果进行排序，提供了Filter类对查询条件进行限制。你或许会不自觉地拿它跟SQL语句进行比 较：“lucene能执行and、or、order by、where、like ‘%xx%’操作吗？”回答是：“当然没问题！”
1 private void SearchIndex()
2 {
3 Dictionary<string, string> dic = new Dictionary<string, string>();
4 BooleanQuery bQuery = new BooleanQuery();
5 string title = string.Empty;
6 string content = string.Empty;
7 if (Request.Form["title"] != null && Request.Form["title"].ToString()!="")
8 {
9 title =GetKeyWordsSplitBySpace( Request.Form["title"].ToString());
10 QueryParser parse = new QueryParser("Title", PanGuAnalyzer);
11 Query query = parse.Parse(title);
12 parse.SetDefaultOperator(QueryParser.Operator.AND);
13 bQuery.Add(query, BooleanClause.Occur.MUST);
14 dic.Add("title",Request.Form["title"].ToString());
15 txtTitle = Request.Form["title"].ToString();
16 }
17 if (Request.Form["content"] != null && Request.Form["content"].ToString() != "")
18 {
19 content = GetKeyWordsSplitBySpace(Request.Form["content"].ToString());
20 QueryParser parse = new QueryParser("Content", PanGuAnalyzer);
21 Query query = parse.Parse(content);
22 parse.SetDefaultOperator(QueryParser.Operator.AND);
23 bQuery.Add(query, BooleanClause.Occur.MUST);
24 dic.Add("content",Request.Form["content"].ToString());
25 txtContent = Request.Form["content"].ToString();
26 }
27 if (bQuery != null && bQuery.GetClauses().Length>0)
28 {
29 GetSearchResult(bQuery, dic);
30 }
31 }
这段代码创建了一个索引查询器，对title和content这两个字段进行查询。
1、介绍各种Query
TermQuery： 首先介绍最基本的查询，如果你想执行一个这样的查询：在content字段中查询包含‘刘备的document”，那么你可以用TermQuery：
1 Term t = new Term("content", "刘备");
2 Query query = new TermQuery(t);
BooleanQuery ：如果你想这么查询：在content字段中包含”刘备“并且在title字段包含”三国“的document”，那么你可以建立两个TermQuery并把它们用BooleanQuery连接起来：
1 TermQuery termQuery1 = new TermQuery(new Term("content", "刘备"));
2 TermQuery termQuery2 = new TermQuery(new Term("title", "三国"));
3 BooleanQuery booleanQuery = new BooleanQuery();
4 booleanQuery.Add(termQuery1, BooleanClause.Occur.SHOULD);
5 booleanQuery.Add(termQuery2, BooleanClause.Occur.SHOULD);
WildcardQuery ：如果你想对某单词进行通配符查询，你可以用WildcardQuery，通配符包括’?’匹配一个任意字符和’*’匹配零个或多个任意字符，例如你搜索’三国*’，你可能找到’三国演义’或者’三国志’：
1 Query query = new WildcardQuery(new Term("content", "三国*"));
PhraseQuery ：你可能对中日关系比较感兴趣，想查找‘中’和‘日’挨得比较近（5个字的距离内）的文章，超过这个距离的不予考虑，你可以：
1 PhraseQuery query = new PhraseQuery();
2 query.SetSlop(5);
3 query.Add(new Term("content ", "中"));
4 query.Add(new Term("content", "日"));
那么它可能搜到“中日合作……”、“中方和日方……”，但是搜不到“中国某高层领导说日本欠扁”。
PrefixQuery ：如果你想搜以‘中’开头的词语，你可以用PrefixQuery：
1 PrefixQuery query = new PrefixQuery(new Term("content ", "中"));
FuzzyQuery ：FuzzyQuery用来搜索相似的term，使用Levenshtein算法。假设你想搜索跟‘wuzza’相似的词语，你可以：
1 Query query = new FuzzyQuery(new Term("content", "wuzza"));
你可能得到‘fuzzy’和‘wuzzy’。
RangeQuery： 另一个常用的Query是RangeQuery，你也许想搜索时间域从20060101到20060130之间的document，你可以用RangeQuery：
1 RangeQuery query = new RangeQuery(new Term("time","20060101"), new Term("time","20060130"), true);
最后的true表示用闭合区间。
第三步:返回索引结果
上面介绍完各种查询的Query，接下来看看LuceneNet返回的数据集如何处理，如何显示高亮，上代码：
1 private void GetSearchResult(BooleanQuery bQuery,Dictionary<string,string> dicKeywords)
2 {
3 IndexSearcher search = new IndexSearcher(IndexDic,true);
4 Stopwatch stopwatch = Stopwatch.StartNew();
5 //SortField构造函数第三个字段true为降序,false为升序
6 Sort sort = new Sort(new SortField("AddTime", SortField.DOC, true));
7 TopDocs docs = search.Search(bQuery, (Filter)null, PageSize * PageIndex, sort);
8 stopwatch.Stop();
9 if (docs != null && docs.totalHits > 0)
10 {
11 lSearchTime = stopwatch.ElapsedMilliseconds;
12 txtPageFoot = GetPageFoot(PageIndex, PageSize, docs.totalHits, "sabrosus");
13 for (int i = 0; i < docs.totalHits; i++)
14 {
15 if (i >= (PageIndex - 1) * PageSize && i < PageIndex * PageSize)
16 {
17 Document doc = search.Doc(docs.scoreDocs[i].doc);
18 Article model = new Article()
19 {
20 Title = doc.Get("Title").ToString(),
21 Content = doc.Get("Content").ToString(),
22 AddTime = doc.Get("AddTime").ToString()
23 };
24 list.Add(SetHighlighter(dicKeywords, model));
25 }
26 }
27 }
28 }
最后这段代码相对比较简单，我就说下几个关键的类和高亮提示把。
1、关键类说明：
IndexSearcher：索引查询器，它的构造函数有两个参数，一个是索引文件路径，一个是是否只读（一般都设置为true就可以）。这个东西可以理解为SqlServer里面的查询分析器。
Sort：看字眼可知道是索引排序类。主要说一下第三个参数，第三个参数是排序方式（true为降序，false为升序）。
TopDocs：这个是查询后返回的文档，可以理解为Sqlserver的表，search.Search可以当做是在查询分析器里按了一次F5查询。
2、设置关键字高亮：
1 private Article SetHighlighter(Dictionary<string, string> dicKeywords, Article model)
2 {
3 SimpleHTMLFormatter simpleHTMLFormatter = new PanGu.HighLight.SimpleHTMLFormatter("<font color=\"green\">", "</font>");
4 Highlighter highlighter = new PanGu.HighLight.Highlighter(simpleHTMLFormatter, new Segment());
5 highlighter.FragmentSize = 50;
6 string strTitle = string.Empty;
7 string strContent = string.Empty;
8 dicKeywords.TryGetValue("title", out strTitle);
9 dicKeywords.TryGetValue("content", out strContent);
10 if (!string.IsNullOrEmpty(strTitle))
11 {
12 model.Title = highlighter.GetBestFragment(strTitle, model.Title);
13 }
14 if (!string.IsNullOrEmpty(strContent))
15 {
16 model.Content = highlighter.GetBestFragment(strContent, model.Content);
17 }
18 return model;
19 }
这里用的也是盘古的高亮组件，设置高亮主要分两个步骤：
设置高亮的显示样式、设置高亮的查询关键字
SimpleHTMLFormatter：这个类是一个HTML的格式类，构造函数有两个，一个是开始标签，一个是结束标签。
Segment：添加索引时并不是每个document都马上添加到同一个索引文件，它们首先被写入到不同的小文件，然后再合并成一个大索引文件，这里每个小文件都是一个segment。
感谢大家的阅读，如果这篇文章能帮的上你，那是我的荣幸。如果文章哪里写的不好，还请多多指教。
参考文献：
http://www.cnblogs.com/jeffwongishandsome/archive/2011/01/02/1924107.html
http://space.itpub.net/12639172/viewspace-626546
Demo下载 （Demo是visual studio 2010编写的，打不开请下载vs2010或者自己更改为vs2008或其他版本）
