lucene+盘古分词

浏览数：149 / 时间：2015年06月09日

一般的网站都会有都会有搜索的功能，一般实现搜索主要有三种方案

第一种是最差的，也是最不推荐的，使用数据库的模糊查询例如select * form table where 字段 like XXX,这种查询的缺点很明显：

（1）无法查找几个关键词不连在一起的情况

（2）全表扫描效率低下

第二种：使用SqlServer的全文本检索功能

举例：select * form table where msg = ‘江苏南京’

这是就可以写成select * form table where msg.contains(‘江苏南京’);

这样搜索出来的结果就可以既包含江苏也可以包含南京，并且匹配的速度也快，还可以实现分词。

缺点：

（1）：只有正版的SqlServer才支持上面的技术

（2）：数据库的分词不太灵活，不能自己修改词库

第三种：使用lucene.Net(本文重点讲解)

Lucene.Net只是一个全文检索开发包，不是一个成熟的搜索引擎，他的功能就是：将数据交给Lucene.Net, 查询数据的时候从Lucene.Net查询数据，可以看成是一个提供了全文检索功能的数据库，lucene.net只对文本信息进行检索，如果不是文本信息，要转换为文本信息。lucene会将扔给他的词切词保存，因为是保存的时候分词（切词），所以搜索速度非常快。

分词是搜索结果好坏的关键：

lucene不同的分词算法就是不同的类，所有的分词算法类都从Analyzer类继承，不同的分词算法有不同的优缺点。

例如：内置的StandardAnalyzer是将英文按照空格，标点符号等进行分词，讲中文按照单个字进行分词，一个汉字算一个词（就是所谓的一元分词）

二元分词：每两个汉字算一个单词，“欢迎你们大家”会分为“欢迎”，迎你，你们，们大，大家要在网上下载一个二元分词的算法：CJKAnalyzer

基于词库的分词算法：基于一个词库进行分词，可以提高分词的成功率，有庖丁解牛，盘古分词等。效率低（相对于一元分词与二元分词）但准确度较高

注意：lucene.Net对汉语的分词效果不好，需要借助于第三方的分词算法：开源的盘古分词（可以在开源中国社区下载，里面有详细的Demo，以及dll文件）

编写代码如下（体验盘古分词）：

在中国开源社区下载Pangu分词forLucene

第一步：将WebDemo里的bin文件夹下的Dictionaries文件夹复制到项目的根目录下，然后改文件夹名为Dict并设置里面的内容的属性的如果较新则复制到输出目录

第二部：添加引用Lucene.net.dll文件和PanGu.Lucene.Analyzer.dll文件

Analyzer analyzer = new Lucene.Net.Analysis.PanGu.PanGuAnalyzer();

TokenStream tokenStream = analyzer.TokenStream("", new System.IO.StringReader("北京,Hi欢迎你们大家"));

Lucene.Net.Analysis.Token token = null;

while ((token = tokenStream.Next()) != null)

{

ListBox1.Items.Add(token.TermText());

}

既然是分词，那就肯定有词库，有词库就可以修改，使用刚才的Bin文件夹下的PanGu.Lucene.ImportTool.exe文件打开词库修改词库的内容，就可以实现最新的分词效果。

可以理解为：

先建立一个索引系统，然后打开索引系统，使用lucene的IndexWriter类向里面写入索引（document对象），该对象从盘古分词对已有的文章的分词得到

技术分享

基本思想如上图

lucene+PanGu

建立lucene词库：（将数据交给lucene，使用Pangu分词），并实现搜索的功能（第二段代码）

 1 protected void Button4_Click(object sender, EventArgs e)
 2         {
 3             string indexPath = Server.MapPath(@"/Demo/lucenedir");//注意和磁盘上文件夹的大小写一致，否则会报错。将创建的分词内容放在该目录下。
 4 
 5             //指定索引文件(打开索引目录) FS指的是就是FileSystem  我的理解：索引系统
 6             FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath), new NativeFSLockFactory());
 7 
 8             //IndexReader:对索引进行读取的类。该语句的作用：判断索引库文件夹是否存在以及索引特征文件是否存在。
 9             bool isUpdate = IndexReader.IndexExists(directory);
10             if (isUpdate)
11             {
12                 //同时只能有一段代码对索引库进行写操作。当使用IndexWriter打开directory时会自动对索引库文件上锁。
13                 //如果索引目录被锁定（比如索引过程中程序异常退出），则首先解锁
14                 //（提示一下：如果我现在正在写着已经加锁了，但是还没有写完，这时候又来一个请求，那么不就解锁了吗？这个问题后面会解决）
15                 if (IndexWriter.IsLocked(directory))
16                 {
17                     IndexWriter.Unlock(directory);
18                 }
19             }
20 
21             //向索引库中写索引。这时在这里加锁。
22             IndexWriter writer = new IndexWriter(directory, new PanGuAnalyzer(), !isUpdate, Lucene.Net.Index.IndexWriter.MaxFieldLength.UNLIMITED);
23             for (int i = 1; i <= 10; i++)
24             {
25                 string txt = File.ReadAllText(Server.MapPath(@"/Demo/测试文件/" + i + ".txt"), System.Text.Encoding.Default);//注意这个地方的编码
26                 Document document = new Document();//表示一篇文档。
27                 //Field.Store.YES:表示是否存储原值。只有当Field.Store.YES在后面才能用doc.Get("number")取出值来.Field.Index. NOT_ANALYZED:不进行分词保存
28                 document.Add(new Field("number", i.ToString(), Field.Store.YES, Field.Index.NOT_ANALYZED));
29 
30                 //Field.Index. ANALYZED:进行分词保存:也就是要进行全文的字段要设置分词 保存（因为要进行模糊查询）
31 
32                 //Lucene.Net.Documents.Field.TermVector.WITH_POSITIONS_OFFSETS:不仅保存分词还保存分词的距离。
33                 document.Add(new Field("body", txt, Field.Store.YES, Field.Index.ANALYZED, Lucene.Net.Documents.Field.TermVector.WITH_POSITIONS_OFFSETS));
34                 writer.AddDocument(document);
35 
36             }
37             writer.Close();//会自动解锁。
38             directory.Close();//不要忘了Close，否则索引结果搜不到
39         }

 1 protected void Button5_Click(object sender, EventArgs e)
 2         {
 3             //创建的分词的内容所存放的目录
 4             string indexPath = Server.MapPath(@"/Demo/lucenedir"); ;
 5             string kw = "C#";
 6             kw = kw.ToLower();
 7 
 8             FSDirectory directory = FSDirectory.Open(new DirectoryInfo(indexPath), new NoLockFactory());
 9             IndexReader reader = IndexReader.Open(directory, true);
10             IndexSearcher searcher = new IndexSearcher(reader);
11 
12             //搜索条件
13             PhraseQuery query = new PhraseQuery();
14             //foreach (string word in kw.Split(‘ ‘))//先用空格，让用户去分词，空格分隔的就是词“计算机   专业”
15             //{
16             //    query.Add(new Term("body", word));
17             //}
18             //query.Add(new Term("body","语言"));--可以添加查询条件，两者是add关系.顺序没有关系.
19             //  query.Add(new Term("body", "大学生"));
20             query.Add(new Term("body", kw));//body中含有kw的文章
21             query.SetSlop(100);//多个查询条件的词之间的最大距离.在文章中相隔太远 也就无意义.（例如 “大学生”这个查询条件和"简历"这个查询条件之间如果间隔的词太多也就没有意义了。）
22             //TopScoreDocCollector是盛放查询结果的容器
23             TopScoreDocCollector collector = TopScoreDocCollector.create(1000, true);
24             searcher.Search(query, null, collector);//根据query查询条件进行查询，查询结果放入collector容器
25 
26             //得到所有查询结果中的文档,GetTotalHits():表示总条数   TopDocs(300, 20);//表示得到300（从300开始），到320（结束）的文档内容.
27             //可以用来实现分页功能
28             ScoreDoc[] docs = collector.TopDocs(0, collector.GetTotalHits()).scoreDocs;
29             this.ListBox1.Items.Clear();
30             for (int i = 0; i < docs.Length; i++)
31             {
32                 //搜索ScoreDoc[]只能获得文档的id,这样不会把查询结果的Document一次性加载到内存中。
33                 //降低了内存压力，需要获得文档的详细内容的时候通过searcher.Doc来根据文档id来获得文档的详细内容对象Document.
34                 //得到查询结果文档的id（Lucene内部分配的id）
35                 int docId = docs[i].doc;
36 
37                 //找到文档id对应的文档详细信息
38                 Document doc = searcher.Doc(docId);
39 
40                 // 取出放进字段的值
41                 this.ListBox1.Items.Add(doc.Get("number") + "\n");
42                 this.ListBox1.Items.Add(doc.Get("body") + "\n");
43                 this.ListBox1.Items.Add("-----------------------\n");
44             }
45         }